
数据技术及产品部-AI 数据工程-AI策略和效能
发布于 1 小时前普通员工/个人贡献者
值不值得投
综合评分 75
前沿AI数据工程岗位,技术成长强、行业前景好,薪资与WLB信息未披露
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
6.3万
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 5160 个在招 · 其中数据工程 86 个
市场机会
选择面较广
杭州 · 数据工程 · 约 120 个在招
职位详情
关于这个职位
该岗位面向集团级AI数据引擎与多模态大模型后训练数据体系,负责数据策略、数据标准、指标体系和智能策略Pipeline建设
最低要求
具备算法与数据双栈能力:精通 Python,熟悉 SQL/Shell
工作职责
数据策略体系建设:整合全模态、多渠道的数据来源,建立统一的数据标准与核心指标树,结合模型需求和评测反馈,运用统计分析与算法建模识别数据缺口、价值机会和供给瓶颈,制定数据获取、筛选及质量优化策略
优先资格
有多模态 RL 数据生产及自动化验证经验者优先
AI 洞察
优缺点分析
优点
- 岗位处于大模型与多模态数据交叉方向,能积累稀缺的后训练数据生产、质量验证和效能优化经验
- 参与集团级AI数据引擎,技术场景规模大,能够接触EB级数据体系和复杂工程问题
- 工作内容覆盖数据策略、Agent工作流、数据治理和模型评测反馈,能力成长面较宽
- 与算法团队和领域专家协作,有利于理解模型训练需求与业务落地的完整链路
- 需要同时具备算法、数据工程和大模型数据理解能力,技术栈跨度较大,学习曲线陡
- 多模态数据涉及文本、音频、图像、视频等多种类型,质量评估、口径统一和自动化验证复杂度高
- 集团级数据体系建设通常涉及多团队协同,需求对齐、标准推进和效果归因可能存在沟通成本
- 适合具备扎实数据工程基础、希望深入大模型后训练数据体系,并且愿意在算法、工程和策略之间做复合型发展的求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向AI数据工程专家、多模态数据策略专家或大模型训练数据架构师方向发展,深耕数据质量、评测反馈和模型能力迭代
- 可横向扩展到AI平台工程、数据智能、机器学习工程或大模型评测体系,形成算法、数据、工程复合能力
- 长期可走向技术负责人或架构负责人,主导集团级数据引擎、智能数据生产平台和跨团队数据策略体系
- 建设多模态数据策略体系,统一数据标准、指标树和质量评估方法,识别数据缺口与供给瓶颈
- 面向大模型后训练,设计任务构造、样本生成、标注和质量验证流程,提升训练数据有效性
- 基于LLM与Agent搭建智能策略Pipeline,把数据分析、问题诊断、策略生成和效果验证沉淀为可复用工作流
- 参与集团级AI数据引擎建设,负责文本、音频、图像、视频等数据的采集、清洗、治理、版本管理和资产化
- 需要精通Python,熟悉SQL/Shell,并具备统计分析、机器学习或深度学习基础,能完成归因、实验设计和效果评估
- 需要掌握至少一种主流大数据平台,如Spark、Flink、MaxCompute或Hadoop,并具备ETL、数据建模和Pipeline建设经验
- 需要理解大模型数据需求,熟悉至少一种多模态后训练数据特点,并了解任务构造、样本生成、标注或质量验证
- 需要熟悉LLM工具链、Agent、工具调用和工作流编排,能评估智能工作流的准确性、稳定性与运行成本
申请策略
- 面试前梳理一个完整的数据策略或数据生产闭环案例,从问题识别、策略制定到实验评估都要能讲清楚
- 关注AI数据工程、后训练数据质量和多模态模型评测的最新实践,准备用具体案例说明自己对数据价值与模型效果关系的理解
- 突出Python、SQL/Shell以及Spark、Flink、MaxCompute、Hadoop等大数据平台的真实项目经验,最好量化数据规模和性能收益
- 重点展示ETL、数据建模、指标体系、数据Pipeline、元数据、血缘追踪或版本管理相关经历,体现数据治理与工程落地能力
- 如果有大模型、多模态、样本生成、标注、质量验证、RL数据或评测反馈闭环经验,应单独成段详细说明
- 展示LLM工具链、Agent、工具调用或工作流编排项目,说明如何提升效率、稳定性并降低成本
- 补强大模型后训练数据知识,重点理解PT、QT、RL、PE优化与模型评测反馈之间的关系
- 提升多模态数据处理能力,熟悉图像、音频、视频数据的清洗、标注、质量验证和自动化评估方法
面试指南
- 使用“目标—现状—问题定位—方案设计—实验验证—迭代优化”的结构回答数据策略类问题,强调可量化指标和闭环反馈
- 对工程类问题按“架构设计—数据流—质量控制—性能优化—监控治理”展开,说明技术选型理由和落地难点
- 对大模型和多模态问题,围绕训练需求、评测反馈、样本构造、质量验证、成本时效和模型效果归因建立回答逻辑
- 如何设计一套多模态后训练数据的质量评估和自动化验证体系?
- 面对模型评测反馈显示某类能力不足时,如何定位数据缺口并制定数据补充策略?
- 请介绍你使用Spark、Flink、MaxCompute或Hadoop建设数据Pipeline的经验,以及如何解决口径一致性和计算效率问题
- 如何基于LLM和Agent搭建数据分析与策略生成工作流,并评估其准确性、稳定性和成本?
- 对文本、图像、音频、视频等多模态数据进行资产化管理时,如何设计元数据、版本管理和血缘追踪机制?
职位点评
薪资福利
JD未披露薪资与福利信息,因此无法直接判断薪酬竞争力;但岗位要求高阶算法与数据双栈能力,通常对应较高的市场价值。稳定性与福利相关条款未提及,需面试中进一步确认。
成长发展
岗位覆盖大模型后训练、多模态数据、Agent工作流、EB级数据体系和集团级AI数据引擎,技术成长空间非常强。JD明确强调Pipeline、自动化验证、版本管理、效果归因和智能策略能力建设,发展性动机匹配度高。
工作生活
JD仅明确地点为杭州,未提及远程、弹性办公、双休或加班情况,无法判断办公灵活性。岗位涉及集团级数据体系和跨团队协作,但工作强度不能仅凭岗位性质推断。
使命价值
岗位支撑大模型训练与推理的高质量数据供给,参与集团级AI数据引擎建设,与AI基础能力建设相关,行业前景较强。JD未直接描述社会使命或公共价值,意义感主要来自技术基础设施与模型能力迭代。
阿里巴巴 的其他在招职位