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
初级经验
全职员工
仅现场办公
硕士
数据分析与科学
Aws/Gcp/Azure
Pytorch/Tensorflow
向量数据库
检索增强生成 (Rag)
HuggingFace
LLM
NLP
Spark/Sql
AI 估算 · 18k–30k
机器学习工程师，初级岗，涉及LLM微调，技术前沿，起薪高。
职位详情
关于这个职位
这是一个专注于地图智能的机器学习工程师职位
你将加入Grab的数据科学团队，主要负责将大型语言模型（LLM）和智能体（Agent）技术应用于地图相关的任务，如地点信息丰富、搜索意图理解和检索增强生成（RAG）
工作内容涉及模型调优、数据管道构建和系统评估，旨在提升Grab地图服务的智能化水平
最低要求
计算机科学、数据科学、人工智能/机器学习或相关领域的硕士或学士学位
具备深度学习（PyTorch/TensorFlow）和NLP/LLM框架（如HuggingFace, LangChain, LlamaIndex）的实践经验
具备出色的Python编程能力
有Spark/SQL经验者优先
熟悉提示工程、微调或为下游任务适配预训练LLM
扎实的机器学习基础知识（分类、排序、嵌入、评估指标）
能够处理大规模数据集，有云环境（AWS/GCP/Azure）经验者优先
良好的沟通和协作能力，渴望学习和实验
工作职责
与高级数据科学家合作，为地图相关任务（如：从文本/图像中提取属性的POI丰富、搜索意图理解和查询重写、使用地理/POI数据库进行知识落地）适配和微调LLM
帮助设计和评估将LLM与工具（搜索API、向量数据库、地图服务）集成的智能体AI工作流，以自动化POI验证、去重和分类等任务
实施用于训练/评估LLM驱动系统的数据管道，包括提示评估、少样本设置和微调
为地图搜索和推荐贡献检索增强生成（RAG）管道的原型设计
进行实验以衡量模型的准确性、延迟和鲁棒性，并提出改进建议
编写干净、可维护的代码，为共享库做出贡献，并支持部署到生产系统
关注LLM、智能体框架和信息检索领域的最新文献，并以实用的方式应用相关想法
优先资格
年应用机器学习/人工智能经验，最好有NLP、LLM或智能体系统经验
有检索增强生成（RAG）、向量数据库（Pinecone, Faiss, Milvus）或知识图谱经验
接触过多模态学习（文本+图像+地理信息）
熟悉机器学习模型服务工具（TorchServe, Triton, Ray Serve）
了解负责任的人工智能实践，如安全性、偏见缓解和对齐
AI 洞察
优缺点分析
优点
- 技术前沿：直接接触并应用LLM、智能体、RAG等最前沿的AI技术，技能积累价值高，市场竞争力强
- 业务场景明确：技术落地于地图这一具有海量数据和复杂场景的领域，项目成果可见度高，能深刻理解AI如何解决实际问题
- 平台优势：Grab是东南亚领先的超级应用，业务规模大，能提供处理海量真实数据的机会和具有影响力的项目平台
- 工程与算法结合：岗位要求不仅懂算法调优，还需具备扎实的工程能力以实现数据管道和系统部署，对综合能力要求高
- 业务理解门槛：需要快速理解地图、POI、交通等垂直领域的业务逻辑和数据特点，才能让技术有效落地
- 适合对LLM和AI应用有强烈兴趣，具备扎实机器学习基础和良好工程能力，并希望在大平台复杂业务场景中快速成长的初级或中级工程师
缺点 / 挑战
- 技术迭代快：需要持续跟踪并快速学习LLM等领域日新月异的技术发展，学习压力较大
角色解读
- 技术路径：可以从LLM应用工程师，向LLM算法研究员、多模态AI专家或AI系统架构师方向发展，技术栈会不断深化和拓宽
- 业务/产品路径：随着对地图业务理解的加深，可以向技术产品经理或AI解决方案专家转型，负责规划AI如何更好地赋能业务
- 你将专注于将前沿的LLM和智能体技术应用于地图领域，具体任务包括微调模型以丰富地点信息、理解用户搜索意图
- 你需要设计和实现数据管道与RAG系统，构建能够自动化处理地图数据（如验证、分类）的AI工作流
- 你的工作涉及对模型进行全面的实验评估，衡量其在准确性、速度等方面的表现，并推动模型优化与生产部署
- 核心是掌握深度学习框架（PyTorch/TensorFlow）和NLP/LLM工具链（如HuggingFace, LangChain），并具备扎实的Python编程能力
- 需要深入理解LLM的应用方法，包括提示工程、模型微调，并熟悉检索增强生成（RAG）和向量数据库等相关技术
- 必须具备扎实的机器学习理论基础，能够处理大规模数据，并最好有云平台（AWS/GCP/Azure）的使用经验
申请策略
- 深入了解Grab的地图业务（GrabMaps）及其在出行、外卖等场景中的应用，思考AI技术可能带来的改进点，这能在面试中展现你的业务洞察力
- 关注职位描述中强调的“探索和创新的自由”文化，准备例子说明你如何主动学习新技术或提出创新解决方案
- 重点突出与LLM/NLP相关的项目经验，如微调模型、构建RAG系统、使用HuggingFace或LangChain等框架，并量化项目成果（如提升的准确率）
- 详细描述处理大规模数据的经验，包括使用的技术栈（如Python, Spark, SQL）和云平台，并说明解决了什么具体问题
- 展示扎实的机器学习基础，可以通过课程项目、竞赛或相关实习来体现你对分类、排序、评估指标等概念的理解和应用
- 如果对RAG或向量数据库不熟悉，可以快速通过开源项目或教程搭建一个简单的Demo，理解其核心流程和组件
- 加强对PyTorch/TensorFlow的实践，特别是与Transformer模型相关的操作，并熟悉至少一个主流云服务商的基础AI/数据服务
面试指南
- 对于项目或技术方案类问题，建议采用“背景-行动-结果”的结构：清晰说明问题背景、你采取的具体技术方案和步骤、最终达成的量化结果以及你的总结反思
- 对于开放设计类问题，可以先界定核心目标和约束条件（如精度、延迟），然后自上而下地拆解系统模块（数据、模型、服务、评估），并讨论不同技术选型的权衡
- 请介绍一个你使用LLM（如通过HuggingFace）解决实际问题的项目，你遇到了什么挑战，如何解决的？
- 如何为一个地图搜索场景设计一个RAG系统？你会考虑哪些关键组件和评估指标？
- 如果让你微调一个LLM来从一段文本描述中提取POI的属性，你会如何设计整个流程（数据、训练、评估）？
- 你如何评估和比较不同提示词（Prompt）对一个LLM任务效果的影响？
- 请谈谈你对负责任AI（如偏见缓解）的理解，并举例说明在项目中可以如何实践
- 深入复习机器学习基础和LLM相关知识，准备好1-2个能体现你技术深度和解决问题能力的项目案例，并确保能清晰阐述细节
职位点评
Watch Jobs