地图事业部-（15）算法实习生

优缺点分析

角色解读

• 纵向可发展为资深算法工程师或大模型算法专家，深入探索LBS与AI的结合
• 横向可向数据挖掘、推荐系统或AI工程化（AI Coding/Auto Research）方向拓展
• 负责滴滴国际化业务中POI（兴趣点）数据的挖掘与处理，提升POI的准确性和丰富度
• 结合大模型和多模态技术，优化POI深度信息建设，提升整体建设效率
• 扎实的编程基础，熟练掌握Python/C++/Java及Linux操作
• 具备机器学习、NLP或大模型微调（PEFT/Full Fine-Tuning）的算法理论基础与实践经验

申请策略

• 提前了解滴滴国际化业务在目标市场的POI痛点，准备好过往项目中关于模型优化、数据处理效率提升的具体案例
• 突出大模型微调（PEFT/Full Fine-Tuning）及多模态学习相关的项目经验或论文
• 强调在NLP、推荐系统或地图/商户数据处理方面的实际落地成果
• 深入学习大模型微调技术（如LoRA、P-Tuning）及AI Coding工具的使用
• 了解地理信息系统（GIS）基础知识及POI时空语义挖掘的相关算法

面试指南

• STAR法则：针对项目经验，按情境、任务、行动、结果结构化回答，突出数据指标的提升
• 技术深度：先讲基础原理，再结合具体业务场景说明选型原因和调优细节
• 请详细介绍你在项目中如何使用PEFT或Full Fine-Tuning微调大模型，遇到了哪些困难及如何解决？
• 针对POI时空语义挖掘，你会如何设计多模态学习模型来融合文本、图像和时空特征？
• 在海量数据处理中，如何优化数据清洗和特征工程的效率？
• 谈谈你对AI Coding和Auto Research的理解，以及它们在算法开发中的应用场景
• 复习大模型微调、多模态学习及NLP的核心算法原理，确保能应对底层细节提问
• 梳理过往项目中的数据处理流程，准备好应对大规模数据场景下的工程优化问题