酷澎
SCMA Senior Staff Data Scientist (L7-2)
SCMA Senior Staff Data Scientist (L7-2)
发布于 大约 13 小时前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
硕士
数据分析与科学
LLM
Agentic AI
GNN
Gurobi
Mip
Discrete Event Simulation
AI 估算 · 60k–90k
资深数据科学家岗位，位于上海，跨国上市巨头，技术难度高、技能稀缺，市场竞争力强，月薪6-9万合理。
职位详情
关于这个职位
作为酷澎供应链管理自动化部门的首席数据科学家，你将领导认知引擎的架构设计，融合大语言模型、知识图谱和图神经网络，打造全自主的供应链操作系统
目标是实现每日千万级采购决策的自动化，将人工干预降低50%，最大化库存回报率和现货率
这是一个将深度学习与运筹学结合的前沿技术岗位，适合有10年以上经验、追求技术突破的资深专家
最低要求
教育背景：运筹学、计算机科学（AI/ML方向）或相关定量领域的博士或硕士学位
工作经验：10年以上相关行业经验，优先考虑电商、供应链管理或高复杂度交易环境
AI/ML专长：具备设计和实现以下内容的实践经验：
模型架构：熟悉最先进的时间序列和图架构（如TiDE、GNN、Transformer），并有强化学习模型经验
生成式AI：精通大语言模型和智能体工作流
图谱：知识图谱和图神经网络用于供应链映射
优化与启发式：精通混合整数规划、动态规划和元启发式算法（遗传算法、粒子群优化）
仿真能力：有离散事件仿真或基于智能体建模的成熟经验（如AnyLogic、Simio）
工具：
求解器：精通Gurobi、Cplex或SCIP
语言：Python、Java或Scala
数据：精通SQL，有大数据环境经验（Spark、Clickhouse）
工作职责
架构认知引擎：领导大语言模型、知识图谱和图神经网络的融合，打造全自主的供应链智能平台
整合深度学习与运筹学：设计混合系统，利用深度学习进行高保真信号感知，利用运筹学进行复杂约束优化
驱动完全自主：开发模型，在超大规模下主动管理整个SKU生命周期，从“人在回路”转向“人做战略监督”
建立模型治理：实施严格的治理框架，确保高风险的自主决策准确、无偏、可解释且能应对数据漂移
仿真与实验：领导大规模离散事件仿真和基于智能体建模，在生产部署前验证“假设”场景
战略领导：向管理层提供研究路线图和技术突破建议，定义电商供应链管理的未来
跨职能合作：与SCMA工程团队合作，部署生产级模型，应对极端需求波动，而不牺牲延迟或可靠性
AI 洞察
优缺点分析
优点
- 技术前沿：直接负责将LLM、GNN、运筹学等最先进技术应用于真实超大规模供应链，技术积累极具价值
- 影响力巨大：系统管理每日千万级采购决策，减少50%人工干预，对业务有直接且显著的提升
- 平台优越：酷澎作为韩国电商巨头，具有全球视野和资源，同时保持创业文化，个人成长空间大
- 薪酬丰厚：资深级别岗位，薪资位于市场高位，且享有上市公司的股票期权等福利
- 技术难度高：需要同时掌握深度学习、运筹学和仿真等多个复杂领域，对跨学科能力要求极高
- 适合具有10年以上经验、深耕AI和运筹学交叉领域的资深科学家，热爱解决复杂系统问题，渴望在超大规模场景中实现技术影响力
缺点 / 挑战
- 工作强度大：在高速发展的电商行业，面临极端需求波动和业务压力，可能需要应对紧急项目
- 决策风险高：自主系统涉及高价值库存和供应商关系，模型错误可能导致重大损失，责任重大
角色解读
- 在酷澎内部，可向首席科学家或AI副总裁等更高技术管理岗位发展，主导供应链AI战略
- 积累超大规模供应链AI经验后，有机会跳槽至其他顶级电商或科技公司担任技术负责人
- 成为行业公认的供应链AI专家，参与顶尖会议、发表论文，甚至创业
- 设计并构建供应链认知引擎，融合大语言模型、知识图谱和图神经网络，实现自主采购决策
- 领导混合系统的开发，将深度学习信号感知与运筹学优化相结合，处理每日千万级SKU
- 建立模型治理框架，确保自主决策的准确性、公平性、可解释性和鲁棒性
- 通过大规模仿真验证新策略，推动从人工操作到战略监督的转型
- 精通深度学习、图神经网络、大语言模型等前沿AI技术，并能将其落地到供应链场景
- 深入掌握运筹学优化方法，包括混合整数规划、元启发式算法等，熟练使用Gurobi、Cplex等求解器
- 具备大规模仿真建模经验（离散事件仿真或Agent-Based仿真），能够验证复杂系统行为
- 扎实的工程能力，熟悉Python、SQL、大数据平台（Spark、Clickhouse），能与工程团队高效协作
申请策略
- 研究酷澎的供应链业务和SCMA部门的公开信息，了解其技术挑战和现有系统，在面试中展示针对性见解
- 准备一个完整的端到端案例，展示如何将深度学习与优化结合来解决实际供应链问题
- 突出在电商或供应链领域的大型项目经验，尤其是将AI/运筹学应用于采购、库存优化的成功案例
- 详细描述你在LLM、GNN、运筹优化或仿真方面的项目细节，包括使用的具体方法、技术栈和量化成果
- 强调跨学科能力，例如同时具备深度学习模型设计和运筹学求解器调优的经验
- 展示领导力和战略思维，如领导过技术团队、推动过研究路线、或在顶级会议发表过论文
- 如果对LLM智能体工作流或知识图谱不熟悉，建议通过在线课程或开源项目快速补充
- 熟悉AnyLogic、Simio等仿真软件，或尝试在Kaggle等平台实践大规模时间序列预测
面试指南
- 使用STAR法则（情景、任务、行动、结果）回答项目经验问题，重点突出技术选择和量化成果
- 对于技术争议问题，展示辩证思维：承认 trade-off，给出具体权衡依据，并分享实际案例中的经验教训
- 针对创新性问题，先澄清问题边界，提出假设，然后给出结构化解决方案，体现系统性思考
- 请描述一个你设计并实现的混合AI+OR系统，你是如何平衡模型精度和优化效率的？
- 在供应链自主决策中，你如何确保模型的可解释性和公平性？请举例说明
- 你如何设计一个仿真系统来验证新的采购策略？请谈谈关键指标和实验设计
- 面对极端需求波动，你的模型如何保持稳定？请从数据和模型层面讨论
- 你对LLM智能体在供应链中的应用有什么看法？请结合具体场景
匹配度报告
72
综合匹配度
前沿技术、超高成长、薪资优厚，但工作强度大、WLB一般。
适合人群
最适合追求技术突破和职业成长的发展型求职者，不适合特别看重工作生活平衡的人。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展95
工作生活40
使命价值70
薪资福利匹配
85较高
该职位薪资预估较高，上市巨头福利完善，但JD未明确列出具体福利和薪资方案，有面议空间。总体补偿性动机满足程度较好。
薪资信号面议 (60K-90K/月)
成长发展匹配
95较高
职位涉及最前沿技术（LLM、GNN、Agentic AI），且有明确的仿真和模型治理要求，成长空间巨大。JD未提及晋升通道，但结合级别和公司规模，发展性动机极强。
技术前沿前沿/新兴技术
技术栈LLM、Knowledge Graph、GNN、Agentic AI、Discrete Event Simulation、MIP、Gurobi
业务类型profit_center
工作生活匹配
40较低
工作地点在上海，JD未提及远程或弹性办公，暗示现场办公。考虑到高强度和战略角色，可能加班较多，WLB一般。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
电商供应链属于成熟稳定行业，虽然技术创新有社会价值，但使命信号不强烈。项目目标明确（减少人工干预、提升效率），有一定意义感。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs