【2027校招】AI数据infra工程师

优缺点分析

角色解读

• 专业深耕：从数据infra执行者成长为数据平台架构师，主导关键子系统或整体架构的设计与演进
• 领域扩展：向机器学习平台工程（MLOps）或AI平台整体解决方案方向发展，成为连接算法与工程的复合型专家
• 技术管理：在技术能力得到认可后，可以带领团队负责更大规模的数据基础设施项目
• 负责设计和构建EB级规模的多模态数据湖，实现对文本、图像、音视频等各类AI训练数据的统一管理与存储
• 开发面向大模型的通用数据处理框架，利用Agent技术在CPU/GPU集群上自动化执行数据清洗、标注、合成等复杂任务
• 打造高性能的AI数据分析引擎，融合多种查询能力，为算法团队提供数据洞察和质量监控工具
• 扎实的编程功底，至少精通Go、Python或Java中的一门语言，能高质量地实现复杂系统
• 深入理解大数据组件（如Spark、Flink、Kafka等）的原理，具备大规模数据处理平台的开发或优化经验
• 对大模型技术生态（如训练流程、数据需求）有深入了解，并关注AI领域的最新技术进展

申请策略

• 在简历和面试中，清晰阐述你对“数据为AI服务”这一理念的理解，以及如何通过技术手段保障数据质量与效率
• 可以研究小红书已知的业务特点（如内容社区、电商），思考其数据特性可能对数据基础设施提出哪些特殊要求，展现业务洞察
• 突出与大数据技术栈相关的项目经验，特别是使用Spark/Flink处理大规模数据、或参与数据平台建设的实践
• 展示扎实的编程能力，可附上GitHub链接或详细描述在项目中解决复杂工程问题的思路与代码实践
• 如有大模型相关的实践经验（如数据处理、微调、评测等），应作为亮点重点描述
• 强调在数据中台、机器学习平台等系统项目中的贡献，体现系统级开发思维
• 深入学习和实践至少一种大数据处理框架（如Spark），了解其内部原理，能进行性能调优
• 系统了解大模型训练的数据流水线，学习主流的数据清洗、标注和合成技术

面试指南

• 采用STAR法则（情境、任务、行动、结果）结构化地描述项目经验，突出技术决策和量化成果
• 对于系统设计问题，先明确核心需求（规模、数据类型、访问模式），再分模块（存储、计算、调度、监控）阐述设计思路，最后讨论权衡与可扩展性
• 对于技术原理类问题，结合自身实践或阅读源码的理解，对比说明核心概念、优缺点及适用场景
• 请描述一个你参与过的、最有挑战性的大数据或平台开发项目，你具体负责了什么？遇到了什么技术难点？如何解决的？
• 如果要从零开始设计一个支持EB级多模态数据的数据湖，你会如何考虑其存储、计算和元数据管理架构？
• 在数据处理中，如何保证数据的可追溯性和质量？请结合你的经验或理解谈谈
• 你对大模型的数据处理需求有什么理解？它和传统的离线数据分析在处理框架上可能有哪些不同？
• Spark和Flink在流批处理上有什么核心区别？在什么场景下你会优先选择其中一个？