酷澎
Staff Machine Learning Engineer
Staff Machine Learning Engineer
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
CI/CD
Dvc
Mlops
Sql
值不值得投
76综合评分
综合评分 76
跨国电商核心MLOps岗位，技术挑战大、成长空间广阔，但WLB情况未知。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
2.8万
比机器学习工程中位数低
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 250 个在招
市场机会
选择不多
台北 · 机器学习工程 · 5 个在招
职位详情
关于这个职位
该职位负责将数据科学模型转化为生产级系统，搭建MLOps基础设施与数据管道
你需要与数据科学家紧密合作，设计模型部署流程，确保机器学习工作流的可扩展性与高可用性，推动电商与供应链业务的数据驱动增长
最低要求
计算机科学、软件工程、工业工程或其他定量学科本科/硕士学历，具备5年以上行业相关软件/机器学习工程经验
具备MLOps和模型部署生命周期的实操经验，包括代码重构、容器化（Docker、Kubernetes）及模型托管策略（如FastAPI、REST API或云原生端点）
熟练掌握Python、SQL及分布式数据处理框架（如Spark、Hive或同等大数据技术），在构建和维护可扩展数据管道方面有成功经验
具备搭建和标准化机器学习基础设施的实践经验，如特征存储（Feature Store）、数据版本控制工具（如DVC）及模型注册/版本管理系统
具备优秀的软件工程最佳实践，包括版本控制（Git）、CI/CD流水线、代码测试及整洁的架构设计
具备出色的书面和口头沟通能力，能与数据科学家、产品经理及软件工程利益相关者有效协作
工作职责
与数据科学家和数据分析师紧密合作，将实验代码转化为生产就绪的架构，推动代码重构、模型托管决策及无缝集成
设计并规范化端到端的模型部署流程，建立标准化的模型版本管理工作流，确保生产环境的可重复性和可靠性
利用现代大数据和分布式处理生态系统构建并维护稳健的数据管道，同时建立标准化的数据科学开发环境，以提高跨职能团队的生产力
实施基础的机器学习基础设施和标准，包括特征存储集成和数据版本管理，以支持可扩展的业务增长
在业务需要时，使用适当的统计、分析或启发式方法开发并运营预测解决方案，将分析洞察与运营执行相结合
监控、维护并优化现有已部署的解决方案，主动识别瓶颈、解决技术债务，并确保生产模型的高可用性
优先资格
在应用研究或高级分析环境中，有与数据科学家并肩工作的丰富经验
熟悉构建和部署轻量级或中等复杂度的机器学习模型（如预测、分类或回归任务）
有评估和实施内部工具及轻量级框架的经验，以简化数据科学工作流并加速产品上市时间
对电子商务或供应链领域有深刻理解，并有推动可扩展工程解决方案以带来可衡量业务影响的业绩记录
AI 洞察
优缺点分析
优点
- 身处跨国电商企业，能接触到海量数据与高并发的真实业务场景
- 从零搭建MLOps基础设施，拥有极大的技术发挥空间与架构设计权限
- 与数据科学家紧密合作，技术视野与工程能力将得到双重提升
- 需要频繁跨部门沟通，平衡数据科学家的实验需求与生产环境的稳定性
- 适合具备扎实软件工程背景、热衷于MLOps与系统架构设计，且希望在电商/供应链领域深耕的高级技术人才
缺点 / 挑战
- 从零开始搭建基础设施可能面临较高的初期压力与技术债务挑战
角色解读
- 可向资深MLOps架构师或机器学习基础设施负责人方向发展
- 在电商与供应链领域积累深厚的业务理解，转型为数据科学工程总监或技术专家
- 将数据科学家的实验模型转化为生产级系统，负责代码重构与模型托管
- 搭建并维护MLOps基础设施，包括特征存储、数据版本控制及CI/CD流水线
- 构建稳健的大数据处理管道，优化现有模型的性能与高可用性
- 精通Python、SQL及Spark等分布式大数据处理框架
- 熟练掌握Docker、Kubernetes等容器化技术及FastAPI等模型托管策略
- 具备扎实的MLOps实践经验，熟悉DVC、特征存储及模型版本管理
申请策略
- 在面试中准备好分享如何平衡模型迭代速度与生产环境稳定性的具体案例
- 提前了解酷澎在台湾的业务模式（如火箭配送），思考机器学习在其中的应用场景
- 突出在MLOps、模型部署及容器化（Docker/K8s）方面的实际项目经验
- 展示构建大规模数据管道（Spark/Hive）及优化系统性能的具体成果
- 强调与数据科学家协作、将实验代码转化为生产级架构的成功案例
- 深入学习云原生MLOps工具链及特征存储（Feature Store）的最佳实践
- 了解电商或供应链领域的业务逻辑，提升数据驱动业务增长的理解力
面试指南
- 采用STAR法则（情境、任务、行动、结果）来结构化你的项目经验
- 强调‘工程化思维’，即不仅关注模型效果，更关注系统的可扩展性、可维护性与自动化程度
- 请描述你如何将一个实验性的机器学习模型转化为生产级系统？
- 在搭建MLOps基础设施时，你如何处理模型版本控制与数据版本控制？
- 面对数据科学家频繁的实验需求，你如何保证生产环境的稳定性与高可用性？
- 请分享一个你优化大数据管道或解决系统瓶颈的具体案例
- 复习分布式系统、容器化编排及CI/CD流水线的核心概念与实战经验
- 准备1-2个跨部门协作（特别是与数据科学团队）中解决冲突或推动落地的真实案例
职位点评
薪资福利80
成长发展90
工作生活50
使命价值75
薪资福利
80较高
跨国企业Staff级别岗位，薪资在台北当地具备较强竞争力，但JD未明确披露具体薪资与福利细节。
薪资信号未披露（AI估算：2千–3.5万/月）
成长发展
90较高
岗位涉及从零搭建MLOps基础设施，技术挑战大，能与数据科学家紧密合作，技术成长空间广阔。
技术前沿前沿/新兴技术
技术栈MLOps、Docker、Kubernetes、Spark、FastAPI、DVC、Python、SQL
业务类型profit_center
工作生活
50较低
JD未提及工作模式与WLB相关信息，且从零搭建基础设施的岗位通常面临较高的交付压力，WLB情况无法判断。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
致力于重塑购物体验，提升配送效率，具有较好的社会服务价值与行业前景。
行业发展稳定成熟行业
社会影响中性/一般
使命信号reimagining the shopping experience、wowing each customer
创新程度积极采用新技术
酷澎 的其他在招职位
相似职位推荐
Watch Jobs