广告投放架构高级工程师-Global Ads Infra Ranking方向

优缺点分析

角色解读

• 技术纵深发展：成为广告排序架构领域的专家，主导核心架构演进
• 技术管理方向：晋升为技术Leader，带领团队完成复杂项目
• 跨领域拓展：向机器学习平台、AI基础设施等方向横向发展
• 设计并实现广告排序系统的召回、粗排、精排架构，与算法团队协作优化排序性能
• 开发模型部署和资源调度平台，提升模型资源利用率和排序系统的迭代效率
• 构建算力调度平台，实现延迟、降级、限流等自动化管理，保障系统稳定性和变现效率
• 探索LLM推理框架、AIGC创意生成等前沿技术的工程落地，支撑业务创新
• 精通C++/Golang/Java中的至少一门语言，具备扎实的系统设计能力
• 深入理解分布式系统、高性能计算或机器学习，能解决大规模在线服务问题
• 熟悉广告系统、搜索引擎或推荐系统的排序架构，有相关开发经验者优先
• 具备良好的沟通协作能力，能与算法、产品等多团队高效合作

申请策略

• 关注字节跳动广告技术团队的博客或开源项目，了解其技术栈和文化
• 在面试中主动展现对广告业务指标（如变现效率、延迟）的理解和优化思路
• 突出过往广告系统、搜索引擎或推荐系统排序架构的设计与优化经验
• 强调分布式系统、高性能服务或机器学习平台的具体项目成果，如延迟降低、吞吐提升等
• 展示编程语言掌握程度（C++/Golang/Java）和系统设计能力，可附上架构图或技术方案
• 体现团队协作和跨部门沟通经验，尤其是与算法团队合作的成功案例
• 复习并深入理解ANN、GPU加速、模型推理优化等技术
• 学习LLM推理框架（如vLLM、TensorRT-LLM）和AIGC相关技术

面试指南

• 对于系统设计类问题，先明确需求边界（候选规模、延迟要求），再分层设计（召回层、排序层、模型服务层），结合具体技术选型和优化手段
• 对于性能优化问题，从计算和存储两个方面分析：计算层面考虑GPU加速、模型量化、batch推理
• 存储层面考虑缓存、索引结构、数据分区
• 对于协作类问题，强调沟通机制（对齐目标、定期sync）和技术方案评审，举例说明如何量化收益并推动落地
• 请设计一个支持亿级广告候选的实时排序系统，你会如何考虑架构和性能？
• 如何优化模型在线的推理延迟？请结合具体技术方案说明
• 你如何与算法团队协作解决召回或排序中的性能瓶颈？举例说明
• 请解释广告系统中粗排与精排的区别，并设计一个粗排策略