格步
Machine Learning Engineer
Machine Learning Engineer
发布于 6 个月前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
硕士
数据分析与科学
数据管道
机器学习
深度学习
LLMs
PyTorch
TensorFlow
AI 估算 · 20k–35k
机器学习工程师，负责算法优化与数据管道，热门AI方向，薪资好。
职位详情
关于这个职位
这是一个机器学习工程师职位，你将加入Grab的数据科学团队，专注于构建世界级的地图服务，如旅行时间估计、交通活动识别和高精度室内外定位
你将负责设计并开发数据管道，构建和优化深度学习、机器学习算法（包括大语言模型和多模态模型），以提升Grab在交通、食品、配送和物流等领域的用户体验和平台效率
最低要求
计算机科学、电气/计算机工程、运筹学或相关技术学科的硕士学位
具备从数据预处理、模型开发、模型部署到模型再训练和微调的端到端机器学习生命周期经验
有使用Spark等库处理大规模数据集的经验
对TensorFlow或PyTorch等深度学习框架以及部署工具（如ONNX、tf-serving、TorchServe、Triton Inference Server）有良好的理解
扎实的Python软件工程技能
具备模型版本控制、机器学习CI/CD、容器化（如Docker）和基于云的部署（AWS、GCP、Azure）经验
工作职责
理解团队的端到端系统设计，并能根据明确定义的需求设计新功能/组件
设计稳健的解决方案，能够有效处理常规业务场景，并在边缘案例上获得一定指导
开发数据管道，构建和优化深度学习和机器学习算法——包括大语言模型和多模态模型——以产生现实世界的影响
为团队的创新和知识产权创造做出贡献
与其他数据科学家、软件工程师、产品经理和业务运营团队合作
优先资格
拥有2年以上物流、地图或电子商务数据和用例的行业经验
在ETA（预计到达时间）、交通预测、路由算法、定位算法或移动端计算方面的经验是非常理想的加分项
具备Golang或Rust编程知识
了解现代数据管道和数据仓库技术栈，如Airflow、Superset、Kafka流处理和Apache Flink
有使用和微调大语言模型（LLMs）以及代理式AI框架（如Langchain/Langgraph/crewAI）的经验
AI 洞察
优缺点分析
优点
- 业务影响：工作成果直接服务于Grab超级应用的数亿用户，在交通、配送、物流等核心业务中产生大规模现实影响，成就感强
- 平台与团队：在东南亚领先的科技公司工作，能与优秀的数据科学家和工程师团队合作，享受良好的技术氛围和成长环境
- 适合对机器学习有扎实基础和实践经验，热衷于将AI技术应用于解决大规模现实世界问题，并能在快节奏的科技环境中持续学习的工程师
缺点 / 挑战
- 技术前沿：接触并应用深度学习、LLMs、多模态模型等前沿技术，解决地图和交通领域的复杂实际问题，技术栈先进且具有挑战性
- 技术复杂度高：需要处理海量、多源的时空数据（GPS、图像等），模型需在精度、实时性和资源消耗间取得平衡，技术挑战大
- 业务压力：模型性能直接影响用户体验和平台效率（如ETA准确性），对模型的稳定性、准确性和迭代速度要求很高
- 知识更新快：需要持续跟进机器学习、深度学习领域的最新进展（如新模型架构、部署工具），学习压力较大
角色解读
- 技术深度上，可以从应用现有模型转向参与前沿算法研究，或在特定领域（如时空预测、多模态AI）成为专家
- 职业广度上，有机会向技术负责人、架构师方向发展，或结合业务理解转向AI产品经理等复合型岗位
- 你将负责设计和开发数据管道，构建并优化用于地图服务的机器学习与深度学习模型，包括大语言模型和多模态模型
- 你的工作涉及处理GPS探针、传感器读数、图像等多种信号，以开发旅行时间估计、交通识别和高精度定位等核心功能
- 你需要与跨职能团队（数据科学家、工程师、产品经理）紧密合作，将模型从开发部署到生产环境，并对系统进行持续优化
- 扎实的机器学习与深度学习理论基础，并具备使用TensorFlow或PyTorch等框架进行模型开发的实践经验
- 熟练的Python编程能力和软件工程实践，能够构建稳健、可维护的数据处理与模型服务代码
- 熟悉从数据处理到模型部署、监控、再训练的完整MLOps流程，包括使用Docker、云平台和CI/CD工具
申请策略
- 深入了解Grab的业务（出行、外卖、支付等），思考机器学习如何在其各个板块创造价值，在面试中展现出你对公司业务和技术结合的理解
- 研究Grab地图团队可能面临的技术挑战（如东南亚复杂的交通状况），准备一些初步的想法，展示你的问题解决能力和热情
- 重点突出完整的机器学习项目经验，详细描述从数据清洗、特征工程、模型选型与调优到部署上线的全过程，并量化项目成果（如提升的准确率、降低的延迟）
- 展示处理大规模数据的经验，特别是使用Spark进行数据处理的实战案例，以及使用Docker、AWS/GCP/Azure进行模型部署和运维的经验
- 如果有交通、地图、物流或电商相关领域的项目或工作经验，务必重点强调，这与职位的优先资质高度相关
- 若对时空预测（ETA、交通流）、路由或定位算法不熟悉，可提前学习相关论文和开源项目，理解其核心问题和常用模型
- 熟悉职位描述中提到的“现代数据管道和仓库技术栈”（如Airflow, Kafka, Flink），了解其基本概念和使用场景，即使没有深入使用经验
面试指南
- 对于项目经验类问题，采用STAR法则（情境、任务、行动、结果）结构化回答，重点突出你的技术决策、解决问题的过程以及可量化的成果
- 对于技术方案设计问题，先清晰定义问题和评估指标，然后讨论数据可行性、模型选型的权衡（复杂度 vs 效果 vs 效率），最后提及部署和监控的考虑
- 请详细介绍一个你从头到尾负责的机器学习项目，你遇到了什么挑战，如何解决的？
- 你如何评估和选择一个机器学习模型来解决一个具体的业务问题（例如，预测送达时间）？
- 请描述一下你处理过的最大的数据集，你用了什么工具和技术？遇到了哪些性能瓶颈？
- 你如何将一个训练好的机器学习模型部署到生产环境？需要考虑哪些因素（如延迟、吞吐量、监控）？
- 如果模型的线上表现突然下降，你的排查思路是什么？
- 深入复习机器学习基础知识（如各类模型原理、评估指标、过拟合处理）和深度学习框架（TensorFlow/PyTorch）的常用操作
职位点评
Watch Jobs