汇丰
Associate Director, Data and Analytics
Associate Director, Data and Analytics
发布于 2 小时前中层管理(经理/总监)
全职员工混合式弹性办公架构师
架构师
CI/CD
Decision Hub
Github Copilot
Mlops
可观测性
基础设施即代码
微服务
性能工程
生成式Ai
值不值得投
薪资怎么样
5.2万
比架构师中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 770 个在招 · 其中架构师 10 个
市场机会
选择适中
广州 · 架构师 · 18 个在招
职位详情
关于这个职位
该岗位负责汇丰决策中台（Decision Hub）的端到端技术设计与交付，覆盖资格判定、仲裁、offer 服务、监控与 API 等核心能力
你需要同时推动生成式 AI、AI 辅助开发（如 GitHub Copilot）与 MLOps 在平台内规模化落地，并带领工程团队，制定技术标准、代码质量与性能基线，支撑多市场复用
最低要求
年以上软件工程经验，其中 3 年以上在分布式、实时系统上担任技术负责人或架构师角色
具备设计并交付决策、编排或实时个性化平台（或同等规模的事件/流式系统）的成熟经验
具备扎实的云上设计与开发经验（优先 GCP，AWS/Azure 亦可），并了解多云与本地部署之间的权衡
具备端到端机器学习生命周期（MLOps）的实操经验，涵盖模型集成、部署、性能监控与反馈闭环
对 AI 开发工具（如 GitHub Copilot、CodeWhisperer）有强烈热情与实操经验，并能将其嵌入团队工作流
深入掌握性能工程、容量规划、容错与可观测性（APM、指标、链路追踪、告警）
具备现代工程实践的实操能力：微服务、API、CI/CD、基础设施即代码、自动化测试、安全控制
优秀的干系人沟通能力：能够向业务伙伴解释复杂技术概念，并影响产品与交付决策
具备较强的辅导与团队领导实绩
工作职责
负责 Decision Hub 各项能力（资格判定、仲裁、offer 服务、监控、API 等）的端到端技术设计与交付
倡导并引领 AI 辅助开发实践（如 GitHub Copilot、用于代码/测试生成的生成式 AI），以加速交付、提升代码质量并培育创新文化
牵头将生成式 AI、自适应模型及其他新兴 AI 技术整合进平台核心能力，超越传统 ML 模型，构建真正智能的系统
与产品、解决方案架构、数据与安全团队协作，确保符合监管控制、数据血缘与可审计性要求
主导性能、可扩展性与韧性设计，并通过容量/性能测试与生产演练进行验证
将业务需求转化为可扩展、可维护的技术方案与参考设计，以支持多市场复用
主导技术设计与代码评审，为高质量、高效、可维护的代码设定标准
亲自参与实现与故障排查，在重大事件与发布窗口期帮助团队扫清障碍
辅导并提升工程团队能力，建立工程实践、质量度量与高绩效文化
AI 洞察
优缺点分析
优点
- 技术方向前沿：生成式 AI、自适应模型、AI 辅助开发的落地场景真实存在，而非概念宣讲
- 平台规模与复用性高：面向多市场复用的决策中台，架构经验可沉淀为可迁移的资本
- 明确的混合办公安排与灵活工作制，且办公地点位于广州核心商务区，通勤与配套较完善
- 岗位兼具技术深度与团队领导职责，适合从技术负责人向管理岗过渡的阶段
- 金融行业的监管、数据血缘与可审计性要求会显著约束技术方案的自由度
- 需要与产品、架构、数据、安全及多市场干系人周旋，沟通与推动成本高
- 适合具备 8 年以上工程经验、带过技术团队、熟悉分布式实时系统与云原生架构，并且真正动手用过生成式 AI/MLOps 的中高级技术管理者
缺点 / 挑战
- 职责跨度大：既要端到端架构设计，又要亲自参与实现与故障排查，还需要带团队，时间与精力分配压力明显
角色解读
- 横向可在汇丰全球技术条线内跨市场、跨业务线流动，参与更大范围的决策智能与数据平台建设
- 纵向可向 Director / 更高层技术管理岗发展，从单一平台负责人成长为多团队、多地区的技术负责人
- 在生成式 AI 与实时决策平台的结合点上积累稀缺经验，未来可转向金融科技架构专家或企业级 AI 平台负责人方向
- 负责 Decision Hub 决策中台的整体技术架构与交付，包括资格判定、仲裁、个性化 offer、监控与 API 等实时决策能力
- 主导生成式 AI、自适应模型与 AI 辅助开发工具在平台内落地，把传统 ML 体系升级为更智能的决策系统
- 组织技术设计评审、代码评审与性能/容量验证，并在重大故障与发布窗口期亲自下场解决关键问题
- 与产品、架构、数据、安全及多个市场的业务团队协作，确保方案可复用且满足监管与审计要求，同时带教工程团队
- 分布式实时系统与决策/编排/个性化平台的架构设计能力，能把业务需求翻译为可扩展的技术方案
- 云原生工程能力：微服务、API、CI/CD、基础设施即代码、自动化测试与安全控制，熟悉 GCP 更佳
- 端到端 MLOps 实操经验，包括模型集成、部署、性能监控与反馈闭环，并对生成式 AI 与 AI 编码工具有真实使用经验
- 性能工程与可观测性功底（容量规划、容错、APM、指标、链路追踪、告警），以及跨团队沟通与影响力
申请策略
- 提前了解汇丰 Decision Hub 类平台的业务语境（客户决策、offer 分发、跨市场复用），面试时能讲清技术与业务的连接点
- 关注其全球技术条线的组织方式与合规文化，在沟通中体现你能在强监管环境下推进技术创新的能力
- 突出你主导过的决策、编排或实时个性化类平台项目，写清业务规模（如吞吐量、市场数量、用户量）与你的具体角色
- 用量化结果呈现性能与稳定性成果：容量规划、故障演练、可观测性体系建设带来的指标改善
- 单独列出 AI 辅助开发与 MLOps 实践经验，例如把 Copilot 类工具嵌入团队工作流后的交付效率或代码质量变化
- 展示团队建设与辅导成果：梯队培养、评审机制、质量度量体系等可验证的管理实绩
- 若云平台经验以 AWS/Azure 为主，可提前补充 GCP 的核心服务与架构模式，尤其是数据与 AI 相关组件
- 系统梳理 MLOps 全链路与生成式 AI 在金融场景的合规边界（模型可解释性、数据血缘、审计要求）
面试指南
- 用「背景—约束—方案—取舍—结果」的结构讲项目，重点讲清在监管、性能、成本之间的权衡逻辑，而非只讲技术栈
- 讲 AI 落地时按「试点—度量—推广—治理」四步展开，用交付周期、缺陷率、评审通过率等指标佐证，并说明你对风险的把控
- 讲管理与协作时，用具体机制（评审标准、质量度量、带教计划）代替空泛的「善于沟通」
- 请介绍一个你主导设计的实时决策或个性化平台，架构如何划分，关键取舍是什么？
- 你如何在团队中落地生成式 AI 与 AI 辅助开发工具？遇到过哪些阻力，效果如何衡量？
- 面对强监管与审计要求，你如何做数据血缘、可追溯性与安全控制的设计？
- 线上重大故障时，你作为技术负责人如何组织排查与恢复？请举具体案例
- 你如何把一个业务需求拆解为可被多市场复用的参考设计与技术标准？
汇丰 的其他在招职位
相似职位推荐
Watch Jobs