蚂蚁集团-后训练数据基础设施-AGI专项

优缺点分析

角色解读

• 在AGI数据基础设施领域深耕，成为大模型数据工程方向的专家
• 可向数据平台架构师或技术负责人方向发展，主导更大规模的数据基础设施
• 依托蚂蚁集团的业务场景，有机会拓展到更多AI基础设施和平台研发领域
• 设计和开发统一数据平台，支持批处理、流处理、交互式查询等计算能力，为后训练数据合成提供高效基础设施
• 构建样本级数据血缘溯源系统，确保数据从种子、合成、处理到实验评估的全生命周期可追溯
• 建设高可用、高吞吐的多Agent协同合成链路，优化数据处理和向量检索性能，提升召回模型效果
• 熟练掌握Spark/Ray等计算引擎，理解分布式存储与计算原理，具备性能调优能力
• 熟悉文本、多模态向量检索技术，有召回模型训练和调优经验
• 扎实的Java/Python编程基础，熟悉大数据生态和LLMOps相关工具
• 有强烈的技术热情和快速学习能力，具备目标导向和协同合作精神

申请策略

• 关注蚂蚁集团AGI方向的技术博客和开源项目，了解团队技术栈和文化
• 在简历中展现对数据基础设施的热情和持续学习能力，可准备一个相关技术分享
• 突出Spark/Ray等计算引擎的使用和调优经验，提供具体的性能优化案例和数据规模指标
• 强调向量检索、召回模型相关的项目经历，如召回率提升、系统延迟优化等量化成果
• 如有大模型数据预处理、SFT/RL数据管线或LLMOps平台开发经验，务必重点展示
• 体现Java/Python编程能力和系统架构设计能力，可以附带技术博客或开源贡献
• 补充学习大模型训练数据流程，了解SFT/RL的数据组织方式和常见问题
• 熟悉Ray等新兴计算框架，并了解向量数据库（如Milvus、FAISS）的工程实践

面试指南

• 回答技术问题时，使用STAR法则：先说明背景和任务，再描述你的具体行动，最后量化结果
• 对系统设计问题，可以从需求、架构、关键技术、容错、监控等维度分层描述
• 对于大模型相关问题，可以结合自己在项目中的实践，展示对数据质量、规模、迭代效率的思考
• 请介绍你使用Spark或Ray做过的一个数据处理任务，如何优化性能的？
• 如何设计一个高吞吐的数据合成链路？你会考虑哪些因素？
• 你如何理解数据血缘追踪系统？对于样本级血缘你会怎么做？
• 在训练召回模型时，如何处理多模态数据的向量检索？
• 你对大模型后训练的数据管线有什么了解？请谈谈经验