阿里国际智能技术-广告多模态算法工程师-日常实习生

优缺点分析

角色解读

• 从实习生到正式算法工程师，深入参与核心广告算法研发，积累工业级大规模模型训练和部署经验
• 在团队支持下，可发表顶会论文，提升学术影响力，为后续职业发展（如晋升高级工程师或进入顶尖研究机构）奠定基础
• 未来可向技术专家或技术管理方向发展，成为搜索广告算法领域的领军人才
• 负责搜索广告场景下的多模态算法模型的设计与迭代，包括用户意图识别、兴趣挖掘、商品图搜等任务
• 基于多模态预训练大模型，设计和优化SFT+RL训练方案，提升模型语义理解与推理能力
• 参与前沿论文研读和技术探索，将研究成果落地到实际业务，并有机会投稿至顶级学术会议
• 与团队协作，解决大模型幻觉、推理能力、模型加速等关键问题，提升业务迭代效率
• 扎实的机器学习与深度学习理论基础，熟悉主流模型架构（如Transformer、CLIP等）
• 精通至少一种编程语言（Python、C++或Java），并熟练使用PyTorch或TensorFlow等框架
• 具备优秀的算法实现和调试能力，能够独立完成实验设计与结果分析
• 良好的沟通能力和团队协作精神，能够主动在复杂业务中寻找技术突破点

申请策略

• 在申请时，可以附上你的GitHub链接或技术博客，展示你的技术热情和项目经验
• 了解阿里巴巴国际站的业务模式，在面试中展现你对搜索广告业务的理解和思考
• 重点突出你的学术成果，如发表的顶会论文、竞赛获奖经历，并详细说明你的研究贡献
• 强调你在大模型、多模态、推荐系统等领域的项目经验，特别是与搜索广告相关的项目
• 展示你的编程能力和工程实践，如使用PyTorch/TensorFlow进行模型训练和优化的具体案例
• 体现你的团队协作和沟通能力，例如在开源项目、实验室项目或团队合作中的贡献
• 深入理解多模态预训练模型（如CLIP、GPT-4V）的原理和应用，并动手实践微调
• 熟悉强化学习（RL）和SFT的训练流程，了解RLHF在广告场景中的应用

面试指南

• 回答项目经验时，采用STAR法则（情境-任务-行动-结果），突出你的个人贡献和量化成果
• 回答技术问题时，先阐述基础原理，再结合具体场景分析，最后给出你的解决方案或思考
• 回答业务问题时，展现你对搜索广告业务的理解，并联系到算法优化目标
• 请详细介绍一下你参与过的多模态模型项目，包括模型架构、训练过程和最终效果
• 如何解决大模型在广告场景中的幻觉问题？请谈谈你的思路
• 你对SFT和RLHF有什么理解？在广告场景中如何应用？
• 请描述一个你解决过的复杂算法或工程问题，并说明你的解决思路
• 你如何看待搜索广告的未来发展趋势？多模态技术在其中扮演什么角色？