格步
Principal Prediction Engineer
Principal Prediction Engineer
发布于 5 个月前普通员工/个人贡献者
Singapore, Singapore
专家级经验
全职员工
仅现场办公
硕士
软件工程
机器人
机器学习
概率建模
深度学习
行为建模
轨迹预测
PyTorch
TensorFlow
AI 估算 · 70k–120k
该职位要求顶尖的机器学习与机器人技术专家，负责自动驾驶核心安全模块，技术壁垒高，市场人才稀缺，薪资极具竞争力。
职位详情
关于这个职位
作为首席预测工程师，您将担任行为预测领域的技术核心
您的主要任务是设计和交付能够预测复杂现实环境中所有动态主体未来运动的系统
这是一个深度技术、亲力亲为的职位，负责开发机器学习模型，这些模型是平台在动态场景中安全预测和交互的核心能力，连接感知与决策
最低要求
在机器学习领域拥有丰富经验，拥有设计和交付用于复杂机器人或相关智能系统的生产级预测或行为建模系统的成功记录
精通 Python 和深度学习框架（例如 PyTorch, TensorFlow）
熟练掌握 C++，用于车载部署和与更广泛的机器人技术栈集成
深刻理解用于序列和关系数据的现代 ML 架构（例如 LSTM, Transformers, GNN）
在概率和统计方面有坚实基础，拥有概率建模和表示不确定性的经验
拥有设计基准测试或评估框架的经验，用于在离线数据集和真实场景中比较预测模型
在复杂、数据驱动的软件系统的架构和设计方面展现出领导力
拥有计算机科学、机器人学或相关领域的学士/硕士/博士学位，专注于机器学习，或具备同等的实践经验
工作职责
架构与技术策略**
领导用于轨迹预测和行为分类的最先进深度学习模型的开发和训练，重点关注意图检测和处理长尾边缘情况（例如，识别来自其他主体的细微线索并预测紧急操作）
负责一个稳健、可扩展的预测引擎的架构设计，该引擎旨在处理东南亚密集城市环境中独特的、高度交互的行为
定义预测系统的验证策略，确保其输出可靠、校准良好，并且对下游消费是安全的
领导设计评审，并推动开发、验证和部署安全关键机器学习模型的最佳实践
算法与模型开发**
领导用于轨迹预测和行为分类的最先进深度学习模型的开发和训练
负责核心建模选择，从定义评估指标和损失函数到最终的网络架构和推理逻辑
与我们的 MLOps 和基础设施团队合作，指导数据管道和训练框架的开发，以满足您模型的特定需求
集成与协作**
与规划团队深度合作，了解他们的需求，确保预测输出得到良好集成并直接提升系统性能
与感知团队密切合作，定义输入和接口契约，以供给预测模型
担任其他工程师的技术导师和参谋，提升团队在机器学习、数据科学和概率建模方面的专业知识
优先资格
拥有交互感知预测模型的经验，该模型能明确推理多个主体之间的相互影响
拥有为机器人高性能嵌入式计算平台（例如 NVIDIA Jetson, DRIVE 或类似平台）优化 ML 模型的经验
了解因果推断、模型可解释性（XAI）以及其他构建可信赖、安全关键 AI 系统的方法
拥有使用仿真生成训练数据或进行大规模模型验证的经验
拥有运动规划或控制理论的背景
在顶级机器学习或机器人会议（例如 NeurIPS, ICML, CVPR, CoRL, RSS）上发表过论文
AI 洞察
优缺点分析
优点
- 平台优势：在东南亚领先的科技巨头工作，项目具有巨大商业和社会影响力，能获得丰富的资源和实践场景
- 技能深度：职位要求全面，从算法研究到工程落地，能极大提升在机器学习、软件工程和系统设计方面的综合能力
- 职业声望：作为“首席”级别的技术专家，在行业内具有很高的认可度和职业发展起点
- 技术难度极高：需要解决真实世界复杂、不确定环境下的预测问题，对算法的鲁棒性和安全性要求近乎苛刻
- 竞争激烈：面向的是全球顶尖的AI/机器人人才，内部晋升和外部市场竞争都非常激烈
- 工作强度可能较大：涉及核心系统开发，在项目关键阶段可能需要应对高强度的工作节奏
缺点 / 挑战
- 技术前沿：直接参与自动驾驶最核心、最具挑战性的预测模块研发，接触最前沿的AI和机器人技术
- 责任与压力重大：预测系统直接关系到自动驾驶的安全，工作成果背负着巨大的安全责任和心理压力
- 适合拥有顶尖机器学习研究背景和强大工程落地能力，追求技术挑战，并对自动驾驶或机器人领域有强烈热情和使命感的资深工程师或科学家
角色解读
- 技术专家路径：可深耕预测算法，成为公司乃至行业内的顶尖AI科学家，或在顶级会议上发表研究成果
- 技术管理路径：凭借技术领导力，可向技术经理、工程总监发展，负责更大范围的技术团队和产品线
- 跨领域拓展：基于对自动驾驶全栈的理解，可向感知、规划或系统架构等更广阔的领域发展，成为全面的自动驾驶专家
- 作为技术核心，负责设计和构建自动驾驶系统中的行为预测引擎，预测道路上所有车辆、行人等动态目标的未来轨迹
- 开发并训练用于轨迹预测和行为分类的深度学习模型，特别关注处理复杂城市交通中的交互场景和罕见边缘情况
- 定义预测系统的技术架构、验证策略，并确保其输出安全可靠，为下游的路径规划模块提供关键输入
- 深度协作，作为感知与规划团队之间的桥梁，并担任团队内部的技术导师，提升整体技术水平
- 深厚的机器学习与深度学习功底，特别是序列建模（LSTM, Transformers）和图神经网络（GNN），并有生产级预测模型交付经验
- 强大的工程能力，需精通 Python（模型开发）和 C++（车载部署），并熟悉 PyTorch/TensorFlow 等主流框架
- 扎实的概率统计基础与不确定性建模能力，这对于构建安全可靠的自动驾驶预测系统至关重要
- 出色的系统架构设计能力和技术领导力，能够主导复杂软件系统的开发并推动最佳实践
申请策略
- 在申请和面试中，展现出你对解决真实世界复杂问题、构建安全可靠系统的强烈责任感和严谨态度
- 提前了解Grab在自动驾驶领域的业务布局和技术特点，在沟通中展现出你的兴趣和契合度
- 重点突出与“预测”、“轨迹预测”、“行为建模”直接相关的项目经验，详细说明你的技术贡献、模型效果和解决的挑战
- 清晰展示你在机器学习（特别是深度学习）和软件工程（Python/C++）方面的双重能力，并用具体项目或指标证明
- 强调任何与安全关键系统、机器人、自动驾驶相关的经验，以及你在技术架构设计或团队技术引领方面的角色
- 如有顶级会议论文或开源项目，务必作为核心亮点列出，这是强有力的能力背书
- 深入复习和准备深度学习（尤其是Transformer, GNN）、概率图模型和时序预测的相关知识和面试题
- 梳理并准备1-2个能体现你从问题定义、模型设计、训练调优到部署落地全流程的完整项目案例
面试指南
- *STAR原则**：针对项目经验类问题，使用情境(S)、任务(T)、行动(A)、结果(R)的结构清晰阐述，重点突出你的技术决策、遇到的挑战及解决方案
- *技术深度与工程思维结合**：回答技术问题时，不仅要解释算法原理，更要联系工程实践，讨论其优缺点、适用场景及在系统中的实现考量
- *安全与可靠性优先**：在涉及模型评估、部署或问题排查时，始终将系统的安全性、鲁棒性和可解释性作为核心考量因素来组织答案
- 请详细介绍一个你主导或深度参与的轨迹预测或行为建模项目，包括问题定义、模型选择、训练过程和最终效果
- 在处理预测任务的不确定性时，你通常采用哪些概率模型或方法？如何评估预测结果的置信度？
- 如何设计一个评估框架，来全面衡量一个预测模型在离线数据集和真实路测中的性能？
- 当预测模型在仿真中表现良好，但在真实路测中出现性能下降时，你的排查和优化思路是什么？
- 在构建一个需要部署到车载嵌入式平台的预测模型时，你会考虑哪些优化策略（如模型压缩、量化、加速）？
职位点评
Watch Jobs