格步
Senior Machine Learning Engineer
Senior Machine Learning Engineer
发布于 6 个月前普通员工/个人贡献者
Petaling Jaya, Malaysia
高级经验
全职员工
仅现场办公
本科
软件工程
全栈开发
平台工程
机器学习
MLOps
PyTorch
TensorFlow
薪资面议
暂无薪资依据说明。
职位详情
关于这个职位
作为Grab ML Pipeline团队的高级机器学习工程师，您将负责设计、实施、推广和宣传用于大规模工作负载的尖端ML&AI平台
您将编写生产级代码，开发从基础设施到前端的全栈平台应用，并定义涵盖数据工程、特征工程、模型训练、部署等环节的复杂流水线标准
这是一个专注于MLOps和平台建设的核心工程岗位
最低要求
计算机科学、机器学习或相关领域的学士/硕士学位
年以上工业界机器学习经验
精通至少一门编程语言，如 Golang, Python, Scala, 或 Java
对机器学习方法和算法有深刻理解
对 ML 框架（如 TensorFlow, PyTorch, Spark ML, scikit-learn 或相关框架）有广泛知识
具备 Docker, Kubernetes, Ray, NoSQL解决方案, Memcache/Redis, 云平台（特别是 AWS）的经验
熟悉机器学习生命周期管理，包括特征工程、模型训练、验证、部署、A/B测试、监控和再训练
具备强大的协作、指导和沟通能力
工作职责
编写生产级代码，并实现规模化
开发从基础设施到前端的全栈平台应用
为复杂流水线（包括数据工程、特征工程、模型训练、模型质量验证、模型部署等）建立和定义标准
自动化云基础设施的配置和 ML 流水线的部署
思考如何恰当地使用框架、算法和数据结构
优先资格
有 MLOps 和管理生产机器学习生命周期的经验者优先
有为排名、推荐、搜索、内容理解、图像生成或其他相关机器学习应用开发模型的经验者优先
有构建 GenAI 或 LLMOps 平台的工作经验者优先
AI 洞察
优缺点分析
优点
- 您将在东南亚领先的科技公司构建核心的 AI/ML 基础设施，技术影响力和可见度高
- 岗位涉及从底层设施到应用的全栈开发，技术栈全面，有利于成为 T 型人才
- 需要平衡平台通用性、稳定性和支持快速迭代的业务需求，对系统设计能力要求极高
- 作为平台团队，需要与多个数据科学和工程团队协作，对沟通和推动标准化的能力是考验
- 技术栈涉及面广且深，需要持续学习以跟上 MLOps 和 AI 基础设施的快速演进
- 此职位适合具有扎实机器学习工程背景，并对构建可扩展、可靠的生产级系统充满热情，希望从项目级贡献者转变为平台级建设者的资深工程师
缺点 / 挑战
- Grab 业务场景丰富（出行、外卖、金融等），为 MLOps 平台提供了极具挑战性和价值的实践土壤
角色解读
- 此岗位是通往机器学习架构师或技术负责人的典型路径，专注于平台和基础设施的深度技术积累
- 在东南亚领先的超级应用平台工作，您将有机会将技术影响力扩展到多个业务线
- 未来可以向更广泛的 AI 基础设施、技术管理或专家顾问方向发展
- 您将设计和构建支撑公司所有机器学习项目的核心平台和工具链
- 这包括开发全栈应用，从底层基础设施到用户界面，以支持数据科学家和工程师的工作
- 您将负责建立和自动化从数据准备、模型训练到部署和监控的端到端机器学习流水线标准
- 您需要扎实的软件工程能力，能够使用 Python、Golang 等语言编写生产级代码
- 必须具备深厚的机器学习知识，熟悉主流框架如 TensorFlow 和 PyTorch
- 需要精通云原生技术栈，包括 Docker、Kubernetes 和 AWS 服务，以构建可扩展的 MLOps 平台
申请策略
- 深入了解 Grab 作为超级应用的业务构成（出行、外卖、支付等），思考统一的 MLOps 平台如何能高效支持这些多样化的业务需求
- 在申请和面试中，展现出对赋能内部客户（数据科学家、工程师）和推动工程卓越文化的热情
- 重点展示您构建或优化过机器学习流水线、自动化部署或监控系统的具体项目，量化其带来的效率提升或稳定性改进
- 详细描述您在云平台（特别是 AWS）上使用 Docker、Kubernetes 管理机器学习工作负载的经验
- 突出您在全栈开发中的角色，无论是后端服务、数据处理流水线还是前端工具的开发
- 如果对 GenAI/LLMOps 平台经验不足，可以提前学习相关开源项目（如 LangChain, LlamaIndex）或云服务（如 AWS Bedrock, SageMaker），并思考如何将其集成到现有 MLOps 流程中
- 加强对大规模分布式系统设计原则的理解，以及如何将其应用于机器学习工作负载的调度和资源管理
面试指南
- 使用 STAR 法则（情境、任务、行动、结果）来结构化您的项目经验回答，重点突出技术挑战、您的解决方案以及可量化的成果
- 在回答设计类问题时，从核心原则（如可扩展性、可靠性、可维护性、用户体验）出发，推导出具体的设计选择，并讨论权衡
- 请描述您设计或参与过的最复杂的机器学习流水线，并解释您在架构决策上的思考
- 当多个数据科学团队对特征存储、模型注册表或实验跟踪工具有不同需求时，您如何设计一个平台来满足他们？
- 如何确保一个部署到生产环境的机器学习模型能够被有效监控、预警并在性能下降时自动触发重训练？
- 请比较在 Kubernetes 上运行 TensorFlow 训练任务与使用云厂商托管服务（如 AWS SageMaker）的优缺点
- 您如何评估和引入一个新的 MLOps 工具或框架到现有技术栈中？
- 深入准备 1-2 个能体现您 MLOps 和平台工程能力的核心项目案例，确保能清晰阐述技术细节、遇到的挑战和解决方案
职位点评
Watch Jobs