高级算法工程师- POI方向

优缺点分析

角色解读

• 技术专家路线：在LLM应用、多模态学习或数据智能领域持续深耕，成为公司乃至行业内的技术权威
• 技术管理路线：凭借出色的技术落地能力和项目经验，带领小团队负责地图数据智能的某一方向
• 应用LLM分析图片、文本、评论等多源信息，自动识别和更新地图上的POI（餐厅、商场等）属性数据
• 训练并部署智能体（Agent）来替代人工完成POI数据的审核、清洗和更新全流程
• 研究并实现针对地理位置信息（坐标）的多模态对齐技术，提升模型对空间关系的理解能力
• 扎实的NLP基础和大模型（LLM）训练与微调（Post-train）经验
• 熟悉强化学习算法（如PPO、GRPO），并有将其应用于实际Agent训练或优化的经验
• 对多模态学习（图像、文本、坐标）有深入理解，并能处理其中的技术挑战

申请策略

• 深入研究滴滴地图或出行领域的技术博客、论文，理解POI数据对打车业务的核心影响
• 准备一个如何用LLM/Agent技术解决某个数据更新痛点的简要思路，面试时可深入探讨
• 突出任何与LLM训练、微调（Post-train/RLHF）相关的项目经验，尤其是涉及信息抽取、数据清洗的任务
• 展示使用强化学习（如PPO）训练智能体（Agent）或优化序列决策的实践经验
• 列举处理多模态数据（特别是图像+文本）的项目，并尝试关联到对结构化数据（如坐标）的理解
• 深入研究GRPO等最新的强化学习算法，了解其在LLM训练中的应用场景和优势
• 学习并实践将地理位置坐标信息（经纬度）与文本、图像进行嵌入和对齐的具体方法
• 阅读地图数据工程或地理信息系统（GIS）相关的基础知识，了解POI数据的生命周期和挑战

面试指南

• 对于系统设计类问题，采用‘定义问题-分析要素-设计模块-考虑挑战’的框架，从数据、模型、训练、评估、部署全流程展开
• 对于技术原理类问题，先阐述基础概念，再结合场景分析具体实现方案和可能遇到的困难，展示思考深度
• 对于经验类问题，使用STAR法则（情境-任务-行动-结果），重点突出你在其中的技术决策和量化成果
• 如果让你设计一个基于LLM的POI更新Agent，你会如何设计其整体架构和奖励机制？
• 在多模态对齐中，如何有效地将非欧几里得空间的坐标信息与文本、图像向量空间进行融合？有哪些难点？
• 如何评估你所训练的Agent在真实数据更新场景中的效果？有哪些关键指标？
• 请介绍一个你解决过的最复杂的NLP或强化学习问题，你是如何分析和解决的？
• 复习强化学习核心概念（策略梯度、价值函数），并了解PPO、GRPO等算法的区别与联系