高德-算法工程师-推荐/时空数据预测/多模态大模型

优缺点分析

角色解读

• 技术专家路线：深入推荐算法、时空预测或大模型应用等领域，成为该方向的技术权威
• 技术管理路线：在积累项目经验和团队协作能力后，可转向技术团队管理岗位
• 横向拓展：结合出行领域业务理解，可向算法产品、技术架构等方向发展
• 优化高德出行业务的推荐系统，包括上下车点、运力、路线等环节的召回、排序算法，提升用户出行体验
• 负责时空数据（如旅行时间、供需）的预测模型构建与优化，并建设相关数据体系
• 研发智能模型识别并处理行程中的各类问题（如纠纷、异常），实现自动化处理
• 主导或参与算法从数据处理到上线的全流程研发，确保技术方案有效落地
• 扎实的机器学习与深度学习基础，熟悉推荐、大模型（LLM）、强化学习等算法
• 具备大型语言模型在业务场景端到端落地的实战经验，并能利用AI工具提升工作效率
• 精通Python，熟练掌握C++或Go，并有使用PyTorch/TensorFlow进行大规模分布式模型训练与线上部署的工程能力

申请策略

• 仔细阅读JD中关于“AI能力”和“工程能力”的要求，在简历和面试中针对性展示
• 面试前可研究高德地图或类似平台的推荐系统、ETA预估等功能，思考可能的算法优化点
• 详细阐述在推荐系统、时空预测或大模型相关项目中的具体贡献与技术选型，量化效果提升
• 突出处理过的大规模数据、特征工程经验以及模型训练、部署的工程化实践（如分布式训练、serving优化）
• 体现对出行、本地生活或交易类业务的理解，或任何能体现业务洞察力的经历
• 深入研究多模态大模型（如LLM）在推荐、预测任务中的具体应用案例与技术细节
• 回顾并梳理大规模机器学习系统的工程实践经验，准备清晰的架构图和性能优化案例
• 了解出行行业的核心业务指标（如ETA、供需匹配）及其与算法的关联

面试指南

• （项目问题）采用STAR法则：情境(Situation)-任务(Task)-行动(Action)-结果(Result)，重点突出技术决策和量化成果
• （方案设计）从问题定义、数据理解、模型选型、特征工程、评估指标、线上部署、AB测试等方面系统阐述，体现端到端思维
• （技术细节）结合具体算法原理（如深度学习模型结构、强化学习框架）和工程实践（如特征拼接、模型压缩、在线推理）来回答
• 请介绍一个你过去负责的推荐系统/时空预测项目，遇到的最大技术挑战是什么，你是如何解决的？
• 如果让你为‘高德打车上下车点推荐’设计一个算法方案，你会考虑哪些因素？模型和系统架构大致是怎样的？
• 如何将大型语言模型（LLM）应用于行程问题识别（如纠纷检测）这个具体场景？请描述你的思路
• 在推荐链路（召回、粗排、精排、重排）中，你认为哪个环节优化带来的体验提升最大？为什么？
• 描述一次你将算法模型从研究环境成功部署到线上大规模服务的经历，过程中做了哪些关键优化？