广告检索 AI Native 开发工程师【2027届】

优缺点分析

角色解读

• 从AI原生开发工程师起步，深入广告检索核心链路，逐步成长为AI方向的技术专家
• 可向广告算法工程师或机器学习平台工程师方向发展，参与更核心的模型设计与优化工作
• 积累业务理解和系统架构经验后，有机会晋升为技术Leader，带领团队攻坚复杂AI项目
• 参与广告检索系统的AI原生能力建设，涉及算法模型接入、数据预处理和特征工程，确保模型效果与业务需求匹配
• 与团队协作攻克AI技术难题，推动新功能在广告业务中落地，实现广告投放的智能化和自动化
• 负责优化现有模型性能与效率，通过技术手段提高广告系统的业务支持能力
• 持续探索新技术，参与团队技术讨论，并在多业务、多策略、多模型场景下支持跨团队协作
• 熟悉至少一门编程语言（Python、Java或C++），具备扎实的工程实现能力
• 对AI Native有浓厚兴趣，了解机器学习、深度学习基本概念，愿意深入研究广告检索领域
• 具备数据预处理和特征工程的基础能力，能够处理实际业务中的数据问题
• 良好的沟通能力和团队合作精神，能高效与算法、产品、后端等跨职能团队协作

申请策略

• 了解B站业务和广告商业模式，在面试中展现对平台产品的理解
• 准备好讲述一个完整的AI项目，从问题定义、数据处理到模型评估，清晰表达你的贡献和思考
• 突出AI相关的项目经历，如机器学习模型构建、特征工程、模型优化等，尽量量化成果
• 强调编程能力，展示Python/Java/C++的实际项目实践，如代码仓库或在线评测成绩
• 如果有广告相关项目或竞赛（如Kaggle、广告点击率预测），务必重点描述
• 体现学习和探索能力，如自学新技术、参与开源项目、发表技术博客等
• 提前学习广告检索基本概念，如召回、排序、CTR预估等，了解常见模型结构
• 复习机器学习基础，包括LR、GBDT、DNN等，并动手实践数据预处理与特征工程

面试指南

• 项目类问题用STAR法则：情境、任务、行动、结果，重点突出你的技术选择和量化成果
• 系统设计类问题先拆解链路，从数据、特征、模型、上线评估等环节逐步展开，展示整体思维
• 概念理解问题要结合具体业务，说明技术价值和实际落地难点，体现思考深度
• 请介绍一个你完成的机器学习项目，包括数据处理、模型选择和效果评估
• 广告检索系统一般包含哪些环节？如何从海量候选集中快速找到相关广告？
• 你如何理解AI Native？在广告业务中落地AI Native会遇到哪些挑战？
• 给定一个特征工程任务，你会如何设计特征和验证特征有效性？
• 编程题：实现一个简单的LR模型并进行梯度下降训练