存储&湖仓高级研发工程师

优缺点分析

角色解读

• 技术专家路线：深耕数据基础设施与AI Infra领域，成为公司或行业内的技术权威
• 技术管理路线：从团队负责人晋升至部门技术总监，统筹更大范围的技术战略与团队建设
• 架构师路线：专注于公司整体数据架构或AI平台架构的顶层设计与演进
• 规划与设计支撑端到端自动驾驶模型训练的PB~EB级AI数据基础设施整体架构
• 建设覆盖数据采集、存储、治理、挖掘、标注、生产、交付全链路的数据平台
• 领导湖仓研发团队，负责技术演进、项目管理和跨部门协作，将算法需求转化为平台能力
• 具备大型分布式系统架构设计与工程落地能力，熟悉Spark、Flink等计算引擎
• 精通Iceberg、Paimon、Hudi等主流Lakehouse技术及对象存储、元数据治理体系
• 深入理解AI数据生产流程，熟悉数据闭环（Data Loop）与数据飞轮（Data Flywheel）概念
• 掌握至少一门主流编程语言（Python/Java/Go/C++），并拥有团队管理与项目管理经验

申请策略

• 研究地平线在智能驾驶数据闭环方面的技术博客或公开分享，理解其业务痛点和技术选型
• 面试前准备一个自己主导的复杂数据系统设计案例，能清晰阐述背景、挑战、方案选择和最终效果
• 突出主导过的大型分布式数据平台/湖仓一体项目经历，说明系统架构设计点与解决的技术挑战
• 详细描述与AI/机器学习团队协作，支撑模型训练数据需求的具体案例和成果
• 强调作为技术负责人或核心骨干的团队协作、技术决策与项目管理经验
• 列出对Spark、Flink、Iceberg/Paimon等关键组件的实践经验与性能优化成果
• 系统学习和实践云原生数据湖仓技术，如Iceberg、Paimon、Hudi的最新特性和架构对比
• 深入理解自动驾驶业务的数据生命周期，包括采集、标注、训练数据的特殊要求

面试指南

• 使用STAR法则（Situation, Task, Action, Result）来结构化回答项目经验问题，重点突出技术决策过程
• 在回答架构设计问题时，从业务场景出发，分析数据特性、访问模式、成本、可维护性等约束，分层阐述设计方案
• 对于管理类问题，强调你的沟通、协调和资源调配能力，以及如何确保目标对齐和项目交付
• 请描述一个你设计过的最复杂的数据平台架构，面临的挑战和你的解决方案是什么？
• 如何设计一个支撑PB级多模态数据（视频、点云等）存储和高效访问的湖仓架构？
• 如何构建一个有效的Data Loop/Data Flywheel来提升模型迭代效率？
• 当算法团队对数据平台提出一个复杂且紧急的需求时，你会如何处理和推进？
• 你如何评估和引入一项新的数据技术（如新的Lakehouse表格式）到现有生产体系中？