数据技术及产品部-AI数据工程-杭州

优缺点分析

角色解读

• 在AI数据工程领域深耕，成为数据架构师或数据平台专家，负责更大规模的数据体系设计
• 向AI算法方向转型，结合数据工程经验，成为大模型训练数据专家，参与核心模型研发
• 晋升为技术团队负责人，带领数据工程团队，负责数据平台的整体规划与落地
• 负责构建和维护集团级AI数据引擎，处理多模态数据（文本、音频、图像、视频）的采集、清洗、治理和资产化，支撑大模型训练
• 设计和训练多模态模型，用于数据自动理解、标签构建、质量评估等，提升数据处理的智能化水平
• 利用LLM+Agent框架搭建智能数据Pipeline，实现数据过滤、去重、质量诊断等环节的自动化，降低人力成本
• 与模型团队协作，参与数据闭环迭代，通过评测反馈优化数据集，量化数据对模型能力的贡献
• 精通Python，熟悉SQL/Shell，具备扎实的编程和数据处理能力
• 理解LLM、多模态模型原理，有实际的大模型数据构造、清洗或质量评估经验
• 熟悉大数据平台（Spark/Flink/MaxCompute/Hadoop）和ETL、数据建模、数据仓库建设
• 掌握深度学习框架（PyTorch/TensorFlow），具备模型训练和调优经验

申请策略

• 了解阿里巴巴AI数据平台和业务方向，在面试中展现对数据闭环优化的理解
• 关注阿里巴巴招聘流程，内推可提高成功率
• 突出大模型数据构造、清洗、质量评估的实践经验，展示对AI数据全流程的理解
• 强调大数据平台（Spark/Flink等）和ETL、数据仓库建设的项目经验，体现数据工程能力
• 展示多模态数据处理或模型训练的项目，如音频/视频/图像的特征工程或模型训练
• 如有开源贡献、竞赛获奖或顶会论文，务必突出，这是加分项
• 深入学习LLM和Agent框架，了解如何将LLM应用于数据生产、治理流程
• 补充多模态数据处理和模型训练经验，如使用PyTorch训练图像或视频模型

面试指南

• 采用STAR法则，结合具体项目经验，突出数据工程和AI结合的实践
• 强调数据闭环思维，说明如何通过评测反馈优化数据
• 展示对工具和框架的熟练度，如Spark、PyTorch、LLM框架
• 请描述你如何构建一个多模态数据清洗Pipeline，并处理数据质量问题？
• 如何利用LLM+Agent实现数据自动治理？请举例说明
• 在模型训练中，如何量化数据对模型能力提升的贡献？
• 你如何设计一个数据质量评估体系？
• 请谈谈你对数据资产治理的理解，以及如何落地