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：深耕LLM、Agent和多模态方向，成为该领域的技术专家，主导核心算法的设计与优化
• 技术管理路线：在积累足够技术深度和项目经验后，带领小团队负责更大范围的地理数据智能化项目
• 跨界发展：基于对地理信息和用户场景的深刻理解，可向产品经理、技术策略等方向拓展
• 运用大语言模型（LLM）技术，根据多种信息源（名称、图片、评论）智能判断并更新POI（兴趣点）数据属性，提升数据准确性
• 构建和训练Agent（智能体），模拟并替代人工完成复杂的POI数据更新流程，实现自动化，以降低成本、提高效率和质量
• 研究并落地多模态对齐技术，处理文本、图像、坐标等多种数据类型，挖掘数据间深层关联，提升整体模型性能
• 扎实的NLP算法基础和大模型Post-training（如SFT、RLHF）经验，能快速理解并应用最新LLM技术
• 熟悉强化学习算法（如PPO、GRPO），并有训练Agent的实际项目经验，理解其在自动化任务中的应用
• 熟练使用主流模型训练框架和大数据工具（如Spark、Hive），具备处理海量数据和模型工程化的能力
• 对多模态学习有深入理解，能够处理图像、文本、坐标等不同模态数据的融合与对齐问题

申请策略

• 研究滴滴地图业务的核心作用及其对出行体验的影响，在面试中展现你对业务的理解和兴趣
• 准备一个与“数据自动化更新”或“用AI解决复杂信息提取问题”相关的技术案例或思考，以展示你的问题解决思路
• 重点突出参与或主导过的LLM应用项目，特别是Post-training、Agent构建或多模态模型相关的实践经验
• 量化展示在NLP或相关算法任务中取得的成果，如准确率提升、效率改进等具体数据
• 强调使用Spark/Hive等大数据工具处理海量数据的经验，以及算法模型工程化上线的能力
• 如有在地理信息、推荐系统等与POI相关领域的经验，可单独列出，以体现领域契合度
• 系统复习和跟进大语言模型（LLM）的最新技术进展，特别是强化学习从人类反馈（RLHF）及其变体（如PPO, GRPO）
• 深入学习多模态学习的相关理论和实践，了解CLIP等主流模型架构及其在跨模态对齐中的应用

面试指南

• 使用STAR法则（Situation, Task, Action, Result）来结构化地描述项目经历，突出你的技术决策和最终成果
• 在回答技术原理问题时，先阐述核心概念，再结合实际应用场景（如滴滴的POI更新）说明其价值和实现难点
• 展现系统性思维，例如在设计Agent系统时，从数据、模型、训练、评估、部署等多个环节进行阐述
• 请介绍一个你使用LLM解决具体业务问题的项目，遇到了哪些技术挑战，如何解决的？
• 你对PPO、GRPO等用于训练Agent的强化学习算法有何理解？在实际训练中需要关注哪些关键点？
• 在我们的场景中，如何处理文本、图像、坐标等多模态数据的对齐问题？你有什么思路或经验？
• 如果让你设计一个用Agent自动更新POI数据的系统，你会如何考虑其架构和关键模块？
• 你如何持续学习和跟进LLM、NLP等领域的前沿技术？