滴滴出行
算法实习生（CTO）-MJ020660
算法实习生（CTO）-MJ020660
发布于 2 小时前实习/见习
实习生仅现场办公机器学习工程
机器学习工程
Pytorch
Sql
多任务学习
大模型
序列建模
机器学习
深度学习
知识蒸馏
风控建模
值不值得投
79综合评分
综合评分 79
前沿大模型风控技术、高社会价值、强技术成长路径，适合有志于AI落地的实习生
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
1.0千
比机器学习工程中位数低
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 2370 个在招 · 其中机器学习工程 37 个
市场机会
选择面较广
北京 · 机器学习工程 · 约 580 个在招
职位详情
关于这个职位
该职位是滴滴出行CTO部门的安全算法实习岗，主要负责交通安全风险精排模型的研究与迭代
工作内容涵盖从样本构建、特征挖掘到模型训练的全流程，重点探索序列建模、多任务学习及大模型在风控场景中的应用，旨在提升高风险订单与驾驶行为的识别能力
最低要求
基本要求：
计算机、数学、统计学、人工智能等相关专业本科及以上在校生，硕士、博士研究生优先
具备扎实的机器学习与统计学基础，理解常见分类与排序算法，熟悉 LR、GBDT／XGBoost、深度神经网络等模型的原理与应用
熟练使用 Python 和 SQL，掌握 PyTorch 等至少一种深度学习框架，具备独立完成数据处理、模型训练和实验分析的能力
理解模型评估与实验设计，能够围绕 Precision、Recall、PR-AUC 等指标分析模型效果，对样本偏差、数据泄漏与过拟合有基本认识
对推荐排序、风控建模或大模型应用有兴趣，具备良好的论文阅读、代码实现与问题分析能力，愿意深入业务场景验证技术效果
具备责任心和良好的沟通协作能力，每周可实习不少于 4 天，连续实习 4~5个月及以上，能够实习 6 个月及以上者优先
工作职责
岗位职责（具体工作内容）：
参与交通安全风险精排模型的研究与迭代，结合司机驾驶行为、订单、轨迹、道路及环境等数据，提升高风险订单与驾驶行为的识别能力，支撑风险预防与干预
参与从样本构建、特征挖掘、模型训练到效果评估的完整流程，探索样本不均衡、稀疏风险信号、多源特征融合等问题的解决方案
探索序列建模、多任务学习等技术在风险精排中的应用，在误报率、干预成本等约束下，提升模型的风险捕获能力与泛化能力
探索大模型与精排模型的结合，包括行为序列与多模态信息理解、辅助标注、特征增强、知识蒸馏等，验证前沿技术在真实交通安全场景中的应用价值
与算法、工程及业务团队协作，参与模型上线验证、效果分析与持续迭代，沉淀可复现的实验结论，并结合研究成果参与论文或专利产出
优先资格
加分项：
有推荐、搜索、广告排序或风险识别相关项目经历，熟悉特征交互、序列建模、多任务学习等技术
有大模型微调、表征学习、多模态建模或知识蒸馏实践，能够设计实验验证大模型对下游预测任务的实际增益
有不均衡学习、异常检测、概率校准或分布漂移相关研究与实践经验
熟悉 Spark、Hive 等大数据工具，或有轨迹挖掘、时空数据建模、驾驶行为分析相关经验
有相关领域高质量论文、竞赛成绩、开源项目或专利成果者优先
AI 洞察
优缺点分析
优点
- 接触前沿的大模型与精排结合技术，技术栈先进
- 直属CTO部门，导师资源优质，有机会产出论文或专利
- 简历含金量高，利于后续求职互联网大厂核心算法岗
- 样本不均衡、稀疏信号处理等实际问题复杂度高
- 实习周期长（4-6个月），需平衡学业与工作
- 适合计算机/AI相关专业在读硕博生，对风控、大模型应用有浓厚兴趣，且希望积累工业界实战经验的求职者
缺点 / 挑战
- 依托滴滴海量真实交通数据，业务场景极具挑战性和社会价值
- 需要兼顾学术创新与工程落地，对综合能力要求较高
角色解读
- 可向高级算法工程师、AI科学家方向发展，或在风控、推荐系统、大模型应用等领域深耕，具备发表高水平论文或申请专利的机会
- 负责交通安全风险精排模型的研究与迭代，利用司机行为、轨迹等多源数据提升风险识别准确率
- 扎实的机器学习/统计基础，精通Python/SQL/PyTorch，熟悉LR/XGBoost/DNN等模型原理及评估指标
申请策略
- 准备一个完整的从数据清洗到模型评估的项目案例，重点阐述如何解决样本不均衡或特征稀疏问题
- 关注滴滴在交通安全方面的技术博客或论文
- 突出机器学习理论基础与深度学习框架实战经验
- 强调在推荐/风控/排序领域的具体项目经历
- 展示对大模型微调、多模态或知识蒸馏的实践细节
- 复习LR、GBDT、DNN等经典模型原理
- 深入理解Precision/Recall/PR-AUC等评估指标的含义及适用场景
- 了解Spark/Hive等大数据处理工具
面试指南
- 使用STAR法则（情境、任务、行动、结果）描述项目经历
- 对于技术问题，先阐述基本原理，再结合业务场景说明选型理由，最后给出优化方案或实验结果
- 请介绍一个你使用PyTorch完成的深度学习项目，重点说明模型结构、损失函数选择及调优过程
- 在处理样本极度不均衡的数据时，你通常采用哪些策略？请结合具体案例说明
- 如何评估一个排序模型的效果？PR-AUC和ROC-AUC有什么区别，分别在什么场景下使用？
- 谈谈你对大模型在风控或排序场景中应用的理解，例如知识蒸馏或特征增强的具体做法
- 如果线上模型出现性能下降，你的排查思路是什么？
- 复习机器学习经典教材（如西瓜书、统计学习方法）中的核心概念
职位点评
薪资福利75
成长发展92
工作生活60
使命价值85
薪资福利
75中等
互联网大厂算法实习津贴处于市场中上水平，虽非最高但具备竞争力，且提供完善的实习证明与背书。
薪资信号未披露（AI估算：0.4–0.6千/月）
成长发展
92较高
极高发展性，涉及大模型、多任务学习等前沿技术，且有明确的论文/专利产出导向，成长空间巨大。
技术前沿前沿/新兴技术
技术栈大模型、PyTorch、序列建模、多任务学习、知识蒸馏、多模态
成长机会参与论文或专利产出、探索前沿技术、沉淀可复现的实验结论
业务类型profit_center
工作生活
60中等
实习岗位通常要求坐班，工作强度可能较高，但相比正式员工压力稍小，WLB一般。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
85较高
直接服务于交通安全，具有显著的社会正向影响力，能切实减少交通事故，使命感强。
行业发展稳定成熟行业
社会影响正向社会影响力较高
使命信号支撑风险预防与干预、提升高风险订单与驾驶行为的识别能力
创新程度积极采用新技术
滴滴出行 的其他在招职位
相似职位推荐
Watch Jobs