国际化广告算法工程师-推荐大模型(北京/上海/杭州)

优缺点分析

角色解读

• 技术纵深：成为大模型在广告领域落地的专家，主导核心算法的迭代与创新
• 管理方向：转向技术团队管理（TL、总监），协调资源推动项目落地
• 跨域发展：向推荐、搜索、NLP、CV等相邻领域扩展，成为全栈AI人才
• 设计和优化基于大模型的广告投放算法，提升变现效率，主要涉及超长序列Transformer和生成式推荐
• 融合多模态信息（素材、落地页）构建Entity Based广告系统，对齐用户行为和内容表征
• 在高并发场景下落地大模型推理，通过Sparse Attention、MoE、KV Cache等技术降低延迟和成本
• 跟踪前沿研究，在新一代GPU上探索大模型在广告场景的创新应用
• 扎实的编程能力：精通C++和Python，熟悉Hadoop、Spark等分布式计算框架
• 深度学习基础：熟悉Transformer、多模态、强化学习等，有TensorFlow/PyTorch实战经验
• 搜广推领域知识：理解广告、推荐、搜索系统的召回、排序、模型设计
• 大模型工程能力：具备推理优化经验，如Sparse Attention、KV Cache、模型压缩等

申请策略

• 在简历中量化项目成果，如“提升CTR 5%”或“降低推理延迟30%”等
• 面试前了解字节广告业务（穿山甲、抖音广告等），展现对商业场景的理解
• 突出搜广推相关项目经验，尤其是召回、排序、CTR/CVR预估等核心模块
• 展示大模型实操经历，如LLM微调、多模态模型、大规模分布式训练或推理优化
• 强调编程能力和工程成果，如高并发系统设计、性能优化、线上指标提升等
• 如有顶会论文（KDD、NeurIPS等）或竞赛Top成绩，务必突出
• 系统学习Transformer架构及变体（BERT、GPT系列、ViT等），动手实现简单模型
• 熟悉广告系统业务逻辑（出价、花销、归因等），可阅读相关技术博客或论文

面试指南

• STAR原则：描述情境（S）、任务（T）、行动（A）、结果（R），突出你的贡献和量化指标
• 技术细节与业务结合：先简要解释原理，再说明在广告业务中的具体实现和收益
• 工程与算法权衡：展示你对工程落地难点（延迟、成本、扩展性）的思考及解决方案
• 请介绍一个你参与的大模型相关项目，包括技术选型、挑战和最终效果
• 解释Transformer中的Self-Attention机制，以及Sparse Attention如何减少计算量
• 在广告场景中，如何利用多模态信息提升模型效果？请举例说明
• 假设需要将一个大模型部署到高并发线上服务，你会如何优化推理性能？
• 谈谈你对Scaling Law的理解，以及如何在推荐系统中的应用