阿里巴巴
数据技术及产品部-AI数据处理工程师-数据
数据技术及产品部-AI数据处理工程师-数据
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公数据工程
数据工程
Etl
Llm
Maxcompute
Pytorch
Sql
Tensorflow
多模态模型
数据治理
值不值得投
80综合评分
综合评分 80
核心AI数据基建岗，技术栈前沿且成长空间巨大，薪资竞争力强，但工作节奏可能较快。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
4.5万
比数据工程中位数高
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 3430 个在招 · 其中数据工程 57 个
市场机会
选择面较广
杭州 · 数据工程 · 96 个在招
职位详情
关于这个职位
该职位主要负责集团级多模态AI数据引擎的建设与治理，利用LLM和Agent技术构建自动化数据Pipeline，支撑大模型的高质量数据供给
你需要结合AI算法与数据工程能力，实现数据与模型的闭环迭代，推动数据资产的高效管理与价值释放
最低要求
具备AI+数据双栈能力：精通Python，熟悉SQL/Shell
理解LLM、音频/视频模型、多模态模型等基础原理
具有大模型数据构造、清洗、合成或质量评估相关实践经验
多模态数据能力：熟悉图像、视频或音频中的任一模态的特征工程、理解/分类/识别算法或质量建模方法
具备深度学习模型训练实践（PyTorch/TensorFlow）
数据工程基础扎实：熟悉主流大数据平台（如 Spark/Flink/MaxCompute/Hadoop）
具备 ETL、数据建模、数据 Pipeline 或数据仓库建设经验
数据治理意识：理解元数据、数据质量、数据血缘、数据标准等治理理念
有数据资产体系或治理平台建设经验者优先
AI Native 工作流思维：熟悉 Agent、LLM 工具链，对如何将 LLM 融入数据生产、数据分析、数据治理流程有实践经验或强烈兴趣
具备良好的工程实现、问题拆解、项目协同能力，能推动数据与模型闭环高效落地
工作职责
参与集团级AI数据引擎：负责多模态数据（文本、音频、图像、视频）的采集、清洗、处理、治理与资产化管理，打造可复用、可观测、可解释的 EB 级数据体系，支撑大模型训练与推理的高质量数据供给
多模态数据智能化处理：主导音频/视频/图像等模态的自动理解、标签体系构建、语义特征抽取、质量建模与自动化治理
设计并训练分类、识别、预测等多模态模型
AI Native数据Pipeline建设：使用LLM+Agent框架构建智能数据Pipeline，实现数据分渠道过滤、去重、质量诊断、调度编排和异常告警等环节的自动化，显著降低人力成本
数据&模型闭环迭代：基于评测反馈的短板，设计对应的专项数据集，并在训练过程中构建可观测指标，量化数据对模型能力提升的贡献，动态更新数据集，实现数据 → 模型 → 评测 → 数据的循环优化
数据资产治理：负责元数据、数据血缘、分类分级、质量评分、数据标准、价值评估等治理框架的设计与落地，推动数据资产的可视化与可运营化，让数据可管理、可复用、可增长
与模型团队协作，参与训练数据构造、数据反哺、短板挖掘和评测闭环建设，通过数据驱动模型能力提升，成为AI模型训练的数据核心驱动力
优先资格
参与过语音、多模态、LLM、VL等任意模型方向的竞赛或开源贡献者优先
有小模型算子训练、加速优化实践经验者优先
在 ICASSP、Interspeech、CVPR、ACL、NeurIPS、AAAI 等顶会有论文或行业竞赛获奖经历
对数据反哺模型能力提升有一定的实战经验者优先
AI 洞察
优缺点分析
优点
- 身处大模型与AI技术爆发的核心赛道，能够接触到EB级海量多模态数据与最前沿的LLM技术栈
- 岗位兼具数据工程与AI算法双重属性，技术壁垒高，个人能力成长空间大，不易被替代
- 依托集团级业务场景，数据成果能直接驱动核心模型能力提升，业务价值与成就感显著
- 需要同时兼顾数据工程的严谨性与AI算法的探索性，对个人的技术广度与深度要求极高
- 适合具备扎实数据工程基础，同时对AI大模型技术有浓厚兴趣，渴望在AI基础设施领域深耕的复合型技术人才
缺点 / 挑战
- 大模型数据需求迭代极快，需要频繁应对多模态数据处理中的长尾问题与突发的质量挑战
角色解读
- 纵向可发展为AI数据架构师或数据技术专家，主导更大规模的集团级数据底座建设
- 横向可向大模型算法工程师或AI产品负责人转型，深入参与模型训练与商业化落地
- 负责集团级多模态AI数据引擎的建设，涵盖文本、音频、图像、视频等数据的采集、清洗与资产化管理
- 利用LLM和Agent技术构建自动化数据Pipeline，实现数据过滤、去重、质量诊断等环节的智能化
- 与模型团队紧密协作，通过数据反哺和评测闭环，持续优化大模型的训练数据质量与效果
- 具备扎实的Python编程与大数据组件（Spark/Flink等）开发能力，能独立完成复杂数据Pipeline建设
- 熟悉深度学习框架（PyTorch/TensorFlow）及多模态模型原理，具备模型训练与特征工程实践经验
- 理解数据治理体系，掌握元数据、数据血缘、数据质量等治理理念，并能将其落地到实际平台中
申请策略
- 提前了解阿里在大模型及数据中台方面的最新技术博客与开源项目，面试时展现对业务方向的思考
- 重点突出在海量数据处理、ETL流水线建设及数据治理方面的实际项目经验与性能优化成果
- 展示参与过的多模态模型训练、LLM数据构造或Agent工具链开发的具体案例与量化收益
- 若有顶会论文、知名开源贡献或相关竞赛获奖经历，务必在简历显眼位置标明
- 深入学习LLM与Agent框架在数据自动化处理中的应用场景与最佳实践
- 补充多模态特征工程与质量建模的理论知识，并尝试跑通一些开源模型的微调流程
面试指南
- 采用STAR法则（情境、任务、行动、结果），重点突出技术选型的思考过程、遇到的难点及最终的量化收益
- 对于架构设计类问题，从数据流向、计算引擎选择、容错机制、监控告警等维度进行系统性阐述
- 在处理EB级多模态数据时，你是如何设计数据Pipeline以保证高吞吐与低延迟的？
- 请分享一个你利用LLM或Agent技术实现数据自动化处理或质量诊断的实际案例
- 如何量化评估数据质量对大模型最终训练效果的具体贡献？你构建过哪些可观测指标？
- 在数据与模型闭环迭代中，如果评测发现模型在某类长尾数据上表现不佳，你会如何设计专项数据集并推动优化？
- 复习大数据组件的底层原理与调优技巧，以及深度学习框架的分布式训练机制
- 梳理自己过往项目中的数据治理方法论，准备好应对关于元数据管理、数据血缘追踪的深度提问
职位点评
薪资福利85
成长发展95
工作生活50
使命价值85
薪资福利
85较高
作为头部互联网企业的核心AI技术岗，薪资竞争力强，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：3千–6万/月）
成长发展
95较高
岗位聚焦大模型与多模态数据处理，技术栈极具前瞻性，能深度参与集团级AI基础设施建设，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈Python、LLM、Agent、PyTorch、TensorFlow、Spark、Flink、MaxCompute、多模态模型
业务类型profit_center
工作生活
50较低
JD未提及工作模式与加班情况，互联网核心研发岗位通常工作节奏较快，WLB情况需入职后确认。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
85较高
致力于大模型底层数据基础设施建设，推动AI技术演进，具有较高的行业前瞻性与技术使命感。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs