阿里巴巴
数据技术及产品部-AI数据高级专家-数据决策方向
数据技术及产品部-AI数据高级专家-数据决策方向
发布于 9 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
集团级AI数据高阶专家岗，技术栈极度前沿、发展天花板高、薪资丰厚，但工作强度与挑战较大。
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
8万
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 3340 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
该职位负责阿里巴巴集团级AI数据引擎架构与多模态数据Pipeline建设，支撑大模型训练与推理的高质量数据供给
你需要设计数据与模型的闭环迭代机制，并主导数据资产治理体系，推动数据资产的可运营化与价值增长
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
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
工程落地能力强：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
集团级AI数据引擎架构：负责架构基于文本和多模态数据（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
AI Native数据Pipeline设计和建设：设计并带领团队建设实施高效数据管线，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
设计和实现数据&模型闭环迭代：与数据策略团队合作，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
负责数据资产治理：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
优先资格
有数据资产体系或治理平台建设经验者优先
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
AI 洞察
优缺点分析
优点
- 处于AI大模型爆发的核心赛道，接触EB级多模态数据与最前沿的LLM数据工程实践，技术壁垒极高
- 依托集团级平台，能够主导集团级数据引擎与资产治理架构，项目影响力和业务价值巨大
- 岗位强调AI Native思维与数据模型闭环，有助于培养稀缺的'AI+数据'双栈复合型能力
- 跨团队协作要求高，需与数据策略、算法团队紧密配合推动闭环落地，对项目协同与沟通能力要求苛刻
- 适合具备扎实大数据工程基础，同时对大模型、多模态AI有深入理解，渴望在AI数据基础设施领域深耕的高阶技术人才
缺点 / 挑战
- EB级多模态数据处理与大模型数据构造技术难度极大，需要持续跟进前沿技术，学习压力较高
角色解读
- 纵向可发展为集团级数据架构专家或AI数据团队技术负责人，主导EB级数据体系建设
- 横向可向大模型算法策略、AI产品化或数据商业化方向拓展，成为AI+数据复合型领军人才
- 负责集团级AI数据引擎架构，处理文本及多模态数据的采集、清洗与资产化管理，支撑大模型训练
- 设计并带领团队建设AI Native数据Pipeline，实现数据处理全链路的自动化与异常告警
- 构建数据与模型的闭环迭代机制，通过量化指标动态优化数据集，提升模型能力
- 主导数据资产治理体系，落地元数据、数据血缘、质量评分等治理框架
- 精通Python及SQL/Shell，具备扎实的大数据平台（Spark/Flink/MaxCompute等）工程经验
- 深入理解LLM及多模态模型原理，具备深度学习模型训练（PyTorch/TensorFlow）及多模态数据处理能力
- 熟悉数据治理理念（元数据、数据血缘等），有数据资产体系建设经验
- 具备AI Native工作流思维，熟悉Agent及LLM工具链在数据生产中的应用
申请策略
- 提前了解阿里在大模型及多模态方向的数据战略，面试时结合业务场景阐述你的数据架构思路
- 重点突出大模型数据构造、清洗、合成或质量评估的实战经验，以及多模态数据处理的具体成果
- 展示主导或深度参与的大数据平台架构、ETL Pipeline建设及数据治理体系落地的项目案例
- 强调将LLM/Agent融入数据生产或治理流程的创新实践，体现AI Native工作流思维
- 深入学习大模型数据工程（Data-centric AI）的前沿论文与开源实践，如高质量数据筛选、合成数据生成等
- 熟悉主流数据治理工具与框架，补充数据资产价值评估与可观测性建设的相关知识
面试指南
- 采用STAR法则：情境（业务背景与数据规模）-> 任务（核心痛点与目标）-> 行动（架构设计、技术选型与闭环机制）-> 结果（量化指标提升与业务价值）
- 对于架构设计类问题，遵循'需求分析-技术选型-核心模块设计-高可用/可扩展性保障-监控与治理'的逻辑框架进行阐述
- 请分享一个你主导的大规模多模态数据Pipeline设计案例，如何解决数据质量与调度编排问题？
- 在数据与模型闭环迭代中，你如何量化数据对模型能力提升的贡献？请举例说明
- 你是如何将LLM或Agent融入数据生产或数据治理流程的？遇到了哪些工程落地挑战？
- 针对大模型训练，你认为高质量数据的核心标准是什么？如何进行数据清洗与去重？
- 系统梳理过往项目中的大数据组件调优经验及数据治理落地细节，准备好应对底层技术深度的拷问
- 复习大模型数据工程（Data-centric AI）的核心概念，准备1-2个将AI工具应用于数据处理的创新实践案例
职位点评
薪资福利90
成长发展95
工作生活40
使命价值85
薪资福利
90较高
该职位为高阶专家岗，对AI与大数据双栈能力要求极高，技术门槛决定了其薪资水平在市场中处于高位。
薪资信号偏高 (6千–10万/月)
成长发展
95较高
岗位聚焦大模型与多模态数据工程，技术栈极其前沿，且能主导集团级架构，个人技术深度与业务视野将获得极大提升。
技术前沿前沿/新兴技术
技术栈Python、LLM、多模态模型、PyTorch、TensorFlow、Spark、Flink、MaxCompute、Agent
业务类型profit_center
工作生活
40较低
JD中未提及任何工作模式与WLB相关信息，无法判断其实际工作节奏与通勤情况。
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
岗位直接支撑大模型训练与推理，处于AI时代的核心基础设施层，具有推动AI技术落地的强烈使命感与行业影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
Watch Jobs