高德-算法工程师-推荐/时空数据预测/多模态大模型

优缺点分析

角色解读

• 技术纵深发展：从算法工程师成长为推荐/大模型方向的专家，主导核心算法创新
• 管理路线：带领小团队负责独立业务模块，逐步晋升为技术Leader
• 横向扩展：接触风控、供需预测、智能客服等多场景，成为全栈算法能手
• 优化推荐链路：利用多模态数据和深度学习模型提升召回到重排各环节的准确性
• 预测时空数据：构建模型预测旅行时间、应答时长和供需变化，支撑业务决策
• 智能处理行程问题：开发模型自动识别司乘纠纷、费用异常等，实现自动化处理
• 端到端算法研发：从数据清洗到模型上线全流程参与，确保算法高效落地
• 扎实的机器学习基础：熟悉树模型、深度学习、因果推断、强化学习、多模态大模型
• 熟练的工程能力：精通Python，熟练使用C++/Go和PyTorch/TensorFlow，有大规模分布式训练和serving经验
• 大模型落地经验：能独立将LLM应用于核心业务，包括自动化建模和Prompt数据分析
• 业务理解力：对出行或本地生活业务有热情，能快速将业务问题转化为算法方案

申请策略

• 了解高德打车业务痛点，准备1-2个算法改进思路，体现业务敏感度
• 突出推荐系统或大模型的落地项目：说明具体业务指标提升和你的技术贡献
• 展示工程能力：列出大规模分布式训练、特征工程、在线serving经验
• 强调多模态或时空数据相关项目：如轨迹预测、视频理解等
• 若对LLM不够熟悉，可补充LangChain、Fine-tuning、Prompt Engineering等技能
• 强化C++/Go性能优化能力，特别是高并发场景

面试指南

• STAR法则：情境-任务-行动-结果，清晰展示项目背景和你的贡献
• AB测试思维：解释如何用实验验证算法效果，并考虑长期影响
• 如何设计一个多模态推荐系统的召回和排序？
• 遇到过哪些大规模分布式训练的性能瓶颈？如何优化？
• 请描述一个利用LLM解决具体业务问题的案例，包括技术选型和效果评估
• 如何进行时空数据预测？请结合ETA场景说明模型选择和处理方法
• 如何评估推荐系统的用户体验指标？
• 复习推荐系统经典论文（如DIN、DIEN、多任务学习）和大模型应用技术