滴滴出行
Voyager-数据工程实习生（2）
Voyager-数据工程实习生（2）
发布于 3 天前实习/见习
实习生仅现场办公数据工程
数据工程
Lightgbm
Numpy
Sql
数据开发
数据治理
机器学习
资源调度
集群优化
值不值得投
66综合评分
综合评分 66
技术前沿、实战性强的大厂实习岗，薪资为市场标准，WLB未知。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
5K
比数据工程中位数低
发布情况
新岗位 · 2 天前发布
公司情况
这家公司招聘很活跃
约 920 个在招 · 其中数据工程 21 个
市场机会
选择面较广
北京 · 数据工程 · 73 个在招
职位详情
关于这个职位
这是一个专注于服务器集群内存资源智能调度的数据工程实习岗位
你将基于LightGBM回归模型，搭建任务内存用量预测体系，优化资源分配，提升集群利用率
同时参与数据开发、数据治理等工作，为算法模型迭代提供高质量数据支撑
适合对机器学习、数据分析和资源调度感兴趣的在校生
最低要求
学历专业：本科及以上在读，计算机、软件工程、数据科学、人工智能、统计学、云计算等相关专业，大二及以上均可
算法基础：熟悉机器学习回归算法，熟练使用LightGBM模型，掌握特征工程、模型训练、调优、验证全流程，有量化预测、时序预测、资源调度建模经验者优先
数据能力：掌握基础数据开发技能，熟练使用SQL，熟悉数据库基础原理与操作，能够独立完成数据查询、清洗、统计分析、数据规整工作，有大数据处理经验加分
编程能力：熟练使用Python，熟悉pandas、numpy等数据处理工具库，具备独立数据分析、模型实验代码编写能力
业务认知：了解服务器集群、CPU/GPU任务运行机制、内存资源调度基本概念者优先，有云计算、算力调度、资源优化相关项目经验优先
综合素质：逻辑清晰、细心严谨，具备较强的问题分析与解决能力，主动性强，能够独立推进实验与迭代，有良好的团队协作与沟通能力
工作职责
内存用量预测模型迭代优化：负责线上CPU、GPU各类业务任务的内存占用规律分析，基于现有LightGBM回归模型，完成模型特征工程、参数调优、效果验证与迭代优化，提升任务内存使用量预测的准确率
资源调度策略落地支撑：基于模型预测结果，协助梳理不同类型任务的内存资源分配规则，优化动态资源调度方案，规避内存超配、低配问题，降低集群资源冗余率与任务运行故障概率
数据开发与数据治理：负责线上任务运行数据、内存/CPU/GPU资源消耗数据的采集、清洗、统计与梳理，维护业务数据库数据，完成数据规整、指标统计、数据校验等数据开发相关工作，为模型训练、效果评估提供高质量数据支撑
实验验证与文档输出：配合完成模型上线前的测试、线上效果灰度验证，持续跟踪模型预测精度、资源利用率等核心指标，整理迭代日志、技术方案、落地复盘等技术文档
业务协同优化：配合研发、运维团队，对接线上集群调度场景，反馈资源调度问题，协助完成算法策略的线上落地与迭代优化
优先资格
加分项：
有机器学习建模、量化预测、数据挖掘相关竞赛或项目经历
熟悉Linux开发环境，了解集群调度、容器化部署基本原理
掌握Hive、MySQL等数据库实操，有数据开发、数据治理实习/项目经验
了解算力资源调度、云原生资源优化相关业务场景
AI 洞察
优缺点分析
优点
- 岗位聚焦机器学习与资源调度的结合，属于云原生和算力优化的热门方向，技术含金量高，利于职业发展
- 实习期间能参与从数据开发到模型迭代的完整项目流程，锻炼全栈数据能力
- 岗位涉及CPU/GPU集群、内存调度等底层系统知识，对非科班或缺乏相关背景的同学有一定学习门槛
- 工作内容包含较多数据清洗、规整等基础性工作，需要耐心和细心，可能略显枯燥
- 适合对机器学习应用和数据工程有浓厚兴趣，具备一定编程和算法基础，希望在真实工业场景中锻炼自己、解决实际资源优化问题的在校学生
缺点 / 挑战
- 滴滴作为大型互联网公司，平台大，业务场景复杂，能接触到海量真实数据和集群调度问题，技术挑战性强
- 作为实习生，需要快速学习并独立推进实验，对主动性和问题解决能力要求较高
角色解读
- 在实习期间可深入掌握机器学习在真实业务场景（资源调度）中的应用，积累宝贵的工业界实战经验
- 表现优秀者有机会转正，成为数据工程师或算法工程师，负责更复杂的预测与调度系统
- 未来可向机器学习平台开发、云原生资源优化、算力调度等前沿技术方向深入发展
- 负责分析和预测线上CPU、GPU任务的内存占用规律，基于LightGBM模型进行特征工程、参数调优和迭代优化
- 协助制定和优化内存资源动态调度策略，通过模型预测结果规避资源超配或低配问题，提升集群资源利用率
- 进行业务数据的采集、清洗、统计和规整，维护数据库，为模型训练和评估提供高质量的数据支持
- 参与模型上线前的测试和灰度验证，跟踪核心指标，并撰写技术文档和复盘报告
- 熟练掌握Python编程，熟悉pandas、numpy等数据处理库，能独立进行数据分析和模型实验
- 熟悉机器学习回归算法，尤其是LightGBM模型，掌握特征工程、训练、调优和验证的完整流程
- 具备扎实的SQL功底，熟悉数据库原理，能独立完成数据查询、清洗和统计分析
- 了解服务器集群、CPU/GPU任务运行机制和内存资源调度基本概念，有相关项目经验者优先
申请策略
- 在申请时，可以主动表达对资源调度和集群优化领域的兴趣，并展示你对滴滴业务场景的理解
- 面试前了解滴滴在出行、云计算方面的技术布局，思考算法如何在实际业务中落地
- 突出机器学习项目经历，尤其是使用LightGBM或其他回归模型解决预测问题的案例，详细描述特征工程和调优过程
- 强调数据开发能力，包括SQL使用、数据清洗、ETL流程等，如有大数据平台（如Hive）使用经验务必提及
- 展示Python编程能力，可附上GitHub链接或代码示例，体现pandas、numpy等库的熟练运用
- 如有云计算、集群调度、容器化（Docker/K8s）相关项目或课程设计，即使非核心也建议写上，以增加匹配度
- 系统复习LightGBM的原理和调参技巧，尝试在公开数据集上完成一个内存或资源预测的小项目
- 熟悉Linux基本命令和开发环境，了解Docker、Kubernetes等容器化技术的基本概念
面试指南
- 对于项目类问题，采用STAR法则（情境-任务-行动-结果），清晰描述项目背景、你的具体贡献、技术难点和量化成果
- 对于方案设计类问题，先拆解问题，明确目标，再提出分步骤的解决思路，最后考虑可能的风险和备选方案，体现逻辑性
- 对于基础知识问题，结合具体场景回答，展示你对概念的理解深度，而非死记硬背
- 请详细介绍一下你使用LightGBM的项目，包括特征工程、参数调优和最终效果
- 如何评估一个内存预测模型的好坏？你会选择哪些指标？
- 如果线上任务的内存使用量突然激增，模型预测失效，你会如何排查和处理？
- 请描述一次你独立完成数据清洗和分析的经历，遇到了哪些问题？
- 你对服务器集群和资源调度有什么了解？谈谈你理解的CPU和GPU任务的区别
职位点评
薪资福利45
成长发展85
工作生活50
使命价值70
薪资福利
45较低
作为实习岗位，薪资为市场标准实习津贴，但公司平台大，稳定性较好。JD中未提及具体福利待遇。
薪资信号未披露（AI估算：4K-6K/月）
成长发展
85较高
岗位技术含量高，聚焦机器学习与资源调度的前沿应用，能深度参与模型迭代和数据开发，成长空间大。
技术前沿前沿/新兴技术
技术栈LightGBM、Python、SQL、pandas、numpy、集群调度、资源优化
业务类型ambiguous
工作生活
50较低
JD未提及工作模式和加班情况，无法判断WLB。工作地点可能在北京或杭州，通勤情况未知。
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
岗位通过优化资源调度，能有效降低能耗和成本，对提升计算资源利用效率有积极意义。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs