Baidu logo
百度
商业搜索定向策略-算法实习生(J107488)

商业搜索定向策略-算法实习生(J107488)

发布于 2 小时前

实习/见习

AI 估算 · 6.0千–1.0万 · AI 参考估算
无经验要求
学历未注明
实习生仅现场办公广告投放
广告投放
Llm
大模型
广告召回
广告推荐
广告算法
推荐系统
搜索技术
机器学习
深度学习

值不值得投

69综合评分

综合评分 69

大模型广告算法实习岗,技术前沿且商业化场景强,薪资福利与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,方便比较实习机会。

薪资怎么样

8.0千

比广告投放中位数低

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 1360 个在招 · 其中广告投放 12 个

市场机会

选择面较广

北京 · 广告投放 · 53 个在招

职位详情

关于这个职位

这是一个面向搜索广告商业化场景的大模型算法实习岗位,主要参与广告召回、广告推荐和生成式大模型在在线广告中的创新落地

你将结合机器学习、LLM、推荐系统和搜索技术,优化客户投放效果并探索新的广告变现形态

最低要求

计算机科学、人工智能、数学等相关专业研究生及以上学历在读,对广告算法、推荐系统、搜索技术等领域有基本认知和热情

熟悉机器学习/深度学习基础理论,了解Transformer、LLM等相关技术,有大模型训练调优、广告/推荐算法研究经验者优先
逻辑清晰,具备较强的问题分析与解决能力,能快速学习新技术并应用于实际场景

工作职责

参与搜索广告场景下的大模型算法研发,优化广告召回/广告推荐技术,探索大模型在商业化场景的创新落地

基于生成式大模型等新技术,探索商业广告新场域变现创新突破,迭代并实现下一代在线广告新形态
深入洞察行业客户投放现状,结合业务特点&系统现状,依托技术创新优化客户效果
利用机器学习、大模型相关知识提升业务效果

优先资格

有大模型训练调优、广告/推荐算法研究经验者优先

AI 洞察

优缺点分析

优点

  • 岗位直接参与搜索广告商业化场景,能接触大模型在真实业务中的落地机会
  • 工作内容同时关注技术创新和客户效果,有助于理解算法如何驱动业务变现
  • 百度搜索广告业务场景复杂,适合希望积累大规模商业化算法经验的实习生
  • 大模型、召回、推荐和客户投放分析涉及面广,需要快速补齐多领域知识
  • 实习生通常需要在已有系统中做局部优化,可能遇到工程链路复杂、实验周期较长的问题
  • 适合计算机、人工智能、数学等专业在读研究生,尤其是有大模型训练调优、广告算法或推荐算法研究经历,并希望进入商业化算法方向的求职者

缺点 / 挑战

  • 技术方向覆盖LLM、推荐系统、搜索技术和广告算法,技能积累密度较高
  • 广告商业化场景对效果指标敏感,实习期间可能面临较快的迭代节奏和结果验证压力

角色解读

  • 实习阶段可积累搜索广告、推荐系统和大模型商业化落地经验,提升算法工程与业务建模能力
  • 后续可向广告算法工程师、推荐算法工程师、大模型算法工程师等方向深耕
  • 长期可发展为商业化算法专家,负责广告召回、排序、生成式广告创意或变现策略等核心方向
  • 参与搜索广告场景中的大模型算法研发,重点优化广告召回和广告推荐效果
  • 探索生成式大模型在商业广告中的新形态,包括新场域变现和在线广告形态迭代
  • 结合行业客户投放现状与系统现状,用机器学习、大模型技术提升客户投放效果
  • 将机器学习、深度学习、LLM等技术应用到实际业务问题中,推动算法效果落地
  • 需要具备机器学习、深度学习基础理论,理解常见模型训练与调优方法
  • 需要了解Transformer、LLM等大模型技术,并能将新技术应用到搜索广告或推荐场景
  • 需要对广告算法、推荐系统、搜索技术有基本认知,具备业务理解和效果优化意识
  • 需要较强的问题分析、逻辑推理和快速学习能力,能在真实业务中迭代方案

申请策略

  • 申请前了解百度搜索广告和商业化的基本业务形态,思考大模型可能如何改变广告创意、召回和投放体验
  • 面试中尽量把技术能力与业务效果关联起来,说明你不仅能做模型,也能理解客户投放和商业化目标
  • 突出与机器学习、深度学习、Transformer、LLM相关的课程、项目或论文经历,说明你掌握的模型原理和实验方法
  • 重点展示广告、推荐、搜索、NLP或大模型微调相关项目,写清楚问题定义、数据规模、模型方案、指标提升和你的个人贡献
  • 补充工程实践能力,如Python、PyTorch、数据处理、模型评估、线上实验或A/B测试经验
  • 体现业务理解能力,例如如何分析用户点击、转化、客户投放效果或召回排序指标
  • 提前复习Transformer、LLM微调、召回排序、推荐系统和搜索广告基础流程,准备用通俗方式讲清技术原理
  • 加强实验设计和指标分析能力,熟悉CTR、CVR、召回率、排序效果、A/B测试等常见评估方法

面试指南

  • 项目类问题采用“背景—目标—数据—方法—指标—结果—复盘”的结构,重点突出个人贡献和可量化结果
  • 技术类问题先讲基本原理,再结合广告、搜索或推荐场景说明适用条件和局限,最后给出改进思路
  • 业务类问题从指标拆解入手,按流量、召回、排序、创意、出价、转化链路逐层定位问题,并提出验证方案
  • 请介绍一个你做过的大模型或机器学习项目,包括问题背景、模型方案、评价指标和最终结果
  • 你如何理解广告召回和广告推荐的区别?各自常见的技术难点是什么?
  • Transformer和LLM在广告商业化场景中有哪些可能应用?
  • 如果客户投放效果下降,你会从哪些数据、指标和系统环节入手分析?
  • 请说明你对搜索广告业务中用户体验与商业收入之间平衡的理解

职位点评

薪资福利62
成长发展88
工作生活45
使命价值70

薪资福利

62中等

JD未披露薪资和福利信息,因此只能基于岗位技术含量判断补偿性满足度。作为算法实习岗,技术含量较高,但薪资福利信号不足。

薪资信号未披露(AI估算:6.0千–1.0万/月)

成长发展

88较高

岗位明确涉及大模型算法研发、广告召回、广告推荐和商业化创新落地,技术方向较新且业务场景真实。对希望积累大模型与商业化算法经验的实习生发展价值较高。

技术前沿前沿/新兴技术
技术栈大模型、生成式大模型、机器学习、深度学习、Transformer、LLM、广告召回、广告推荐、推荐系统、搜索技术
业务类型profit_center

工作生活

45较低

JD仅说明地点为北京市,未提及远程、弹性、双休或加班情况。办公模式和生活节奏相关信息不足,无法判断WLB优势。

工作模式未明确
办公地点未明确
加班情况未提及(无法判断)

使命价值

70中等

岗位聚焦商业广告变现和客户投放效果优化,具有技术创新和业务价值,但社会使命导向表述较少。意义感主要来自技术探索与商业化落地。

行业发展新兴领域(暂难判断)
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs