格步
Senior Data Scientist (Integrity)
Senior Data Scientist (Integrity)
发布于 5 个月前普通员工/个人贡献者
Singapore, Singapore
高级经验
全职员工
仅现场办公
本科
数据分析与科学
模型部署
计算机视觉
KYC
OCR
PyTorch
SQL
TensorFlow
多模态LLM
AI 估算 · 45k–75k
该职位要求高级AI技能，涉及前沿的多模态大模型和计算机视觉技术，在东南亚科技中心新加坡，市场需求旺盛，薪资竞争力强。
职位详情
关于这个职位
这是一个专注于计算机视觉和多模态大语言模型的高级数据科学家职位
你将负责开发先进的OCR、KYC验证和文档信息提取模型，以支持Grab平台的用户身份验证、风险控制和业务规模化
工作涉及从模型设计、训练到生产部署和优化的全生命周期，直接服务于平台的诚信与安全使命
最低要求
教育背景：* 计算机科学、电气/计算机工程、数学/统计学或相关技术学科的学位
经验：* 在科技公司或学术机构中拥有至少3年类似角色的经验
编程技能：* 精通Python、Spark和SQL
熟悉Git等版本控制系统，并了解完整的软件开发生命周期
AI与深度学习：* 具有使用TensorFlow或PyTorch等深度学习框架的经验
工作职责
大规模构建：* 设计、训练和微调最先进的模型（包括OCR和视觉大语言模型），以分析和提取复杂文档中的信息
你的工作将是Grab扩展KYC和入职运营能力的核心
架构并拥有端到端解决方案：* 架构、设计并拥有解决关键业务挑战（如身份验证）的文档处理流程，从初始概念到实时生产模型
生产化与优化：* 将你的模型部署到我们的高吞吐量生产环境中，实施生产指标监控，并进行迭代以提高性能、延迟和效率
推动创新：* 研究并利用AI领域的最新进展进行原型设计，将前沿的学术研究转化为切实的产品影响力
通过清晰度施加影响：* 向产品、政策和运营部门的利益相关者清晰阐述技术概念、模型权衡和实验发现
AI 洞察
优缺点分析
优点
- 技术前沿：直接接触并应用计算机视觉和多模态大语言模型等最前沿的AI技术，解决高价值的真实业务问题（风控、安全），技术积累价值高
- 业务影响力：工作在Grab超级应用的核心诚信与安全领域，你的模型直接影响数百万用户的信任和平台安全，工作成果可见度高，业务意义重大
- 生产责任重：模型直接用于关键的风控和KYC流程，对准确性、性能和稳定性要求极高，需承担相应的生产运维和on-call责任
- 跨团队沟通：需要频繁与产品、政策、运营等非技术团队沟通，清晰解释复杂的技术方案和权衡，对沟通和协作能力是考验
- 适合拥有扎实AI工程背景，对计算机视觉和生成式AI有浓厚兴趣，并希望其技术能力在大型平台的核心业务中产生实质性影响的高级数据科学家或机器学习工程师
缺点 / 挑战
- 平台与规模：在东南亚领先的科技巨头工作，有机会处理海量真实数据，挑战大规模、高并发的生产系统，工程经验和视野能得到极大拓展
- 技术复杂度高：需要同时精通计算机视觉、大语言模型和工程部署，技术栈要求深且广，持续学习和研究压力较大
角色解读
- 技术路径上，可以从高级数据科学家向AI专家、首席科学家或技术研究员发展，深耕计算机视觉与多模态AI的前沿领域
- 业务路径上，可以深入了解金融科技、平台安全与风控业务，成长为能够定义技术战略、影响产品方向的资深技术负责人或技术经理
- 你将专注于开发和优化用于文档处理（如OCR、信息提取）和身份验证（KYC）的计算机视觉和多模态大语言模型
- 你的职责涵盖从模型研究、架构设计、训练调优到将其部署到高吞吐量生产环境的完整流程
- 你需要持续监控模型性能，迭代优化，并将前沿的AI研究成果转化为能够解决实际业务风险与安全问题的产品功能
- 核心是精通Python、PyTorch/TensorFlow等深度学习框架，具备构建和优化计算机视觉模型（特别是OCR相关）的实战经验
- 需要熟悉多模态大语言模型的后训练技术，并能将其应用于解决文档理解和信息提取等具体任务
- 必须具备扎实的工程能力，包括使用Spark、SQL处理大数据，以及将模型产品化、部署和监控的全栈意识
申请策略
- 深入了解Grab作为超级应用的业务生态，特别是其在支付、出行、外卖等场景下面临的欺诈与安全挑战，思考你的技术如何提供价值
- 准备讨论你如何平衡模型创新与工程落地，以及如何处理模型在公平性、偏差和隐私方面的考量，这符合其“诚信”团队的价值观
- 重点突出与计算机视觉（特别是OCR、文档理解）和多模态模型相关的项目经验，详细说明你的技术方案、模型指标和业务影响
- 清晰展示端到端的项目经历，从数据处理、模型开发到部署上线的完整流程，并量化你在性能提升或效率优化方面的贡献
- 强调你在高吞吐量生产环境中部署和运维AI模型的经验，包括使用的工具链、遇到的挑战以及解决方案
- 如果对多模态大语言模型（如LLaVA, Flamingo）的后训练（微调、对齐）不熟悉，建议通过开源项目或课程快速补强
- 复习大规模机器学习系统的工程实践，包括模型服务化、A/B测试、监控告警等，确保能流畅讨论生产级AI系统的全貌
面试指南
- 对于技术问题，采用STAR原则（情境、任务、行动、结果）来结构化回答，重点突出你的技术决策、实验设计和量化结果
- 对于系统设计或故障排查问题，展示你系统性的思考方式，从数据链路、模型服务、基础设施到监控告警等多个层面进行分析
- 对于沟通类问题，强调你以业务目标为导向，用类比、可视化或简化概念的方式，将复杂技术转化为对方关心的业务指标和风险
- 请详细介绍一个你主导的、与文档信息提取或OCR相关的项目
- 你遇到了哪些挑战，是如何解决的？
- 在多模态大语言模型应用于视觉任务时，你如何设计训练流程和数据策略？如何评估这类模型的效果？
- 描述一次你将一个复杂的深度学习模型成功部署到生产环境的经历
- 你如何确保其性能、延迟和稳定性？
职位点评
Watch Jobs