DiDi logo
滴滴出行
算法实习生(网约车)-MJ020831

算法实习生(网约车)-MJ020831

发布于 1 小时前

实习/见习

AI 估算 · 6.0千–1.0万 · AI 参考估算
中国
无经验要求
硕士
实习生仅现场办公AI算法
AI算法
Llm
Uplift建模
机器学习
深度学习框架
生成式推荐

值不值得投

72综合评分

综合评分 72

前沿算法实习岗,技术成长强,业务与论文产出并重,生活安排信息不明确

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AI算法中位数低

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 2400 个在招 · 其中AI算法 7 个

市场机会

选择面较广

AI算法 · 约 510 个在招

职位详情

关于这个职位

这是一个面向网约车补贴业务的算法实习岗位,重点围绕连续值建模、Uplift建模、LLM & Agent、生成式推荐等方向开展业务调研、方案探索与落地尝试

你还将把已在业务中验证有效的创新成果进行学术化整理,并推进论文投稿

最低要求

硕士及以上学历,博士优先

计算机、模式识别、人工智能、自动化、软件工程、电子工程、信息安全等专业
熟悉常用机器学习算法,对模式识别、概率统计、最优化等算法原理及应用有扎实基础
熟悉 C/C++、Java、Python 等至少一门编程语言,有较强动手能力,了解常见的机器学习 / 深度学习框架

工作职责

围绕网约车补贴业务中关键问题(比如连续值建模和Uplift建模等)调研业务已有的最佳实践,结合网约车补贴业务的特性探索新型解决方案,并尝试推动在实际业务中应用

对于LLM & Agent、生成式推荐等前沿技术结合网约车补贴业务进行探索和研究
对于已在实际业务中验证有效性的创新工作进行学术化,完成论文投稿

优先资格

在 ICML、KDD、AAAI、IJCAI、ICLR、SIGIR 等会议 / 期刊以一作发表文章,或有相关开源项目贡献经验优先

参加国内外机器学习比赛,TOP 10 成绩者优先

AI 洞察

优缺点分析

优点

  • 岗位直接面向网约车补贴业务,问题真实且数据场景复杂,有利于积累业务算法落地经验
  • 涉及 Uplift建模、生成式推荐、LLM & Agent 等方向,技术主题较前沿
  • 支持将业务创新成果学术化并投稿,对希望产出论文、积累研究履历的实习生有吸引力
  • 适合机器学习基础扎实、对推荐/因果推断/LLM应用感兴趣,并希望同时获得业务落地和论文产出经历的硕士或博士实习生

缺点 / 挑战

  • 滴滴出行网约车平台业务体量大,算法问题具有较高复杂度和实践价值
  • 补贴业务算法需要同时理解业务目标、因果效应和模型效果,问题定义和实验评估难度较高
  • 岗位要求硕士及以上、博士优先,并偏好顶会论文或竞赛成绩,竞争压力较大
  • 既要推动业务应用,又要完成论文投稿,对研究深度、工程能力和时间管理都有较高要求

角色解读

  • 从算法实习生起步,可逐步积累业务建模、实验设计和论文产出能力,向高级算法工程师或研究型算法岗位发展
  • 若持续深耕补贴、推荐、因果推断和 LLM Agent 方向,可成长为业务算法专家或研究科学家
  • 该岗位兼顾业务落地与学术产出,适合未来希望进入算法研究、推荐系统或增长算法方向的人
  • 研究网约车补贴业务中的核心算法问题,包括连续值建模和Uplift建模,并尝试将新方案应用到真实业务场景
  • 探索 LLM & Agent、生成式推荐等前沿技术与补贴业务的结合方式,开展实验和效果验证
  • 将业务中验证有效的创新方法进行学术化整理,形成论文并投稿
  • 调研已有最佳实践,结合网约车业务特性提出改进方案,推动算法研究从问题定义到业务落地
  • 需要掌握常用机器学习算法,并理解模式识别、概率统计、最优化等基础理论
  • 至少需要熟悉 C/C++、Java、Python 中的一门语言,具备较强的工程实现和实验动手能力
  • 需要了解常见机器学习和深度学习框架,能够完成模型训练、评估与实验复现
  • 有顶会论文、开源项目贡献或机器学习竞赛成绩会明显增强竞争力,尤其是与推荐、因果推断、Uplift相关的经历

申请策略

  • 申请时建议结合网约车补贴场景说明你对业务问题的理解,例如如何衡量补贴收益、用户增量和长期价值
  • 若具备论文或竞赛经历,可在简历中突出一作、Top成绩或开源贡献,并准备讲清楚自己的具体贡献
  • 重点突出与机器学习、推荐系统、Uplift建模、因果推断、生成式推荐相关的项目经历,说明问题背景、方法设计和效果指标
  • 如果有论文、开源项目或机器学习竞赛经历,应明确写出会议/期刊名称、作者身份、排名或项目贡献
  • 强调 Python、C/C++、Java 等编程能力,以及使用过的主流机器学习或深度学习框架
  • 补充实验设计、数据处理、模型评估和业务指标意识,体现你能在真实业务中推进算法方案
  • 提前复习 Uplift Modeling、因果推断、推荐系统和最优化方法,准备可讲清楚原理与实验细节的案例
  • 熟悉 LLM Agent、生成式推荐相关论文和开源项目,了解其在实际业务中的落地方式

面试指南

  • 项目类问题采用“业务背景—核心难点—方法设计—实验验证—结果复盘”的结构回答,重点说明自己的贡献
  • 技术类问题先讲清原理和适用条件,再结合具体业务场景说明优缺点、评估指标和可能风险
  • 前沿技术类问题可按照“技术能力—业务痛点—落地路径—效果验证”展开,避免只谈概念
  • 请介绍一个你做过的机器学习项目,包括问题定义、模型选择、实验设计和最终效果
  • 你如何理解 Uplift Modeling?它与普通响应预测模型有什么区别?
  • 在网约车补贴场景中,如何设计实验来评估一个算法方案是否真正有效?
  • 你对 LLM & Agent 或生成式推荐在业务中的应用有什么理解?
  • 请讲讲你熟悉的机器学习/深度学习框架,以及你在项目中遇到过哪些工程问题

职位点评

薪资福利72
成长发展92
工作生活45
使命价值70

薪资福利

72中等

JD未披露薪资和福利信息,因此补偿性动机只能基于岗位层级做有限判断。作为算法实习岗,薪资信号未明确,稳定性与福利承诺也未在JD中说明。

薪资信号未披露(AI估算:6.0千–1.0万/月)

成长发展

92较高

岗位明确涉及连续值建模、Uplift建模、LLM & Agent、生成式推荐等前沿方向,并要求推动业务应用和论文投稿,发展性非常强。对希望积累算法研究、业务落地和学术产出经验的求职者高度匹配。

技术前沿前沿/新兴技术
技术栈连续值建模、Uplift建模、LLM、Agent、生成式推荐、机器学习、模式识别、概率统计、最优化、深度学习框架
业务类型ambiguous

工作生活

45较低

JD未明确说明办公模式、弹性工时、远程天数或加班情况,生活化动机相关信息不足。工作地点仅写中国,通勤和办公灵活性无法判断。

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

岗位围绕网约车补贴业务中的关键算法问题开展创新探索,并尝试推动实际应用,具有一定业务价值和技术探索意义。但JD未直接描述社会使命或公共价值导向。

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