蚂蚁集团-生成式推荐&百灵应用解决方案AI工程师-上海

优缺点分析

角色解读

• 技术专家路径：在AI工程化、模型优化等方向深耕，成为公司或行业内的技术权威
• 架构师路径：负责更大规模、更复杂的AI系统架构设计，引领技术选型与团队技术攻坚
• 业务融合路径：深入理解特定业务领域，成为能驱动AI技术与业务深度结合的复合型人才
• 负责将前沿的生成式推荐和大模型技术，转化为能解决具体业务问题的工程化方案
• 你需要深入理解业务目标，设计并实现模型训练、部署、评测的全流程技术链路
• 持续优化系统性能，包括训练速度、推理效率与成本，确保方案高效落地
• 精通 Python 和 PyTorch，熟悉大模型（如LLM）的训练、微调、推理全流程
• 具备扎实的工程能力，能独立负责从模型开发到上线部署的完整生命周期
• 需要快速学习并应用新技术（如新框架、优化工具），并具备将复杂业务问题抽象为技术方案的能力
• 优先需要推荐系统或生成式推荐领域的相关实践经验

申请策略

• 申请前，深入了解蚂蚁集团在金融科技、数字生活等领域的业务场景，思考生成式推荐技术如何应用于其中
• 在简历和面试中，除了展示技术深度，也要着重展现你快速学习、解决问题以及将复杂项目落地的能力
• 重点突出使用 PyTorch 进行模型开发、训练与部署的项目经验，特别是涉及推荐系统、NLP或大模型的项目
• 详细描述你如何将算法模型进行工程化落地、性能优化或成本优化的具体案例与成果（如提升推理速度XX%）
• 强调你的业务理解能力，举例说明你如何将一个业务问题拆解为技术方案并推动实现
• 如具备 LoRA微调、模型量化、GPU加速等相关实践经验，请务必清晰列出
• 深入学习并实践 LoRA、QLoRA、模型蒸馏、量化等大模型高效微调与部署技术
• 系统性地掌握 CUDA、Triton、NCCL 等GPU编程与分布式训练加速工具，提升底层优化能力

面试指南

• 采用STAR法则回答项目问题：清晰描述 Situation（背景）、Task（任务）、Action（你采取的具体技术行动）、Result（量化成果与收获）
• 在回答技术方案类问题时，结合‘问题分析-方案设计-技术选型-实现细节-效果评估’的逻辑链条进行阐述，体现系统性思维
• 面对开放性设计问题，先明确目标与约束，再提出多种可行方案并比较优劣，最后给出推荐选择及理由，展示权衡能力
• 请介绍一个你负责的将推荐/大模型算法进行工程化部署的完整经历，遇到了哪些挑战？如何解决的？
• 如何评估和优化一个在线推荐服务的性能（延迟、吞吐）和成本？请列举你使用过的方法
• 生成式推荐与传统协同过滤或深度学习推荐的主要区别是什么？在工程实现上有哪些新的挑战？
• 如果让你负责一个从零开始的生成式推荐模型业务适配项目，你的实施步骤和关键考量点是什么？
• 系统复盘过往项目中涉及模型训练、推理优化、工程部署的核心技术细节，准备能体现你工程深度和解决问题能力的案例