联想
AI & Synthetic Data Engineer
AI & Synthetic Data Engineer
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Data Processing
Generative Ai
Machine Learning
Pytorch
Statistics
值不值得投
70综合评分
综合评分 70
前沿AI数据方向、技术成长强，薪资福利与WLB信息未披露，需面试确认。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
3.5万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 370 个在招 · 其中机器学习工程 13 个
市场机会
选择面较广
北京 · 机器学习工程 · 约 560 个在招
职位详情
关于这个职位
该岗位负责面向不同业务场景研究、设计并实现合成数据生成与评估方案，清洗处理结构化/非结构化数据，并用统计与机器学习方法评估合成数据的质量、代表性与隐私风险，同时开发Python原型并跟踪生成式AI前沿
最低要求
具备较强的逻辑与计算思维，能将复杂问题拆解为结构化、可执行的解决方案
具备基础编程能力，并有AI辅助开发或“vibe coding”经验，能使用AI编程工具有效构建、测试、调试和迭代原型
具备扎实的数学基础，尤其是概率、统计、线性代数、优化或数值方法等领域
理解合成数据的概念、方法论、应用场景与评估方法
具备使用pandas、NumPy、SciPy、Polars、scikit-learn等数据处理与科学计算库的实践经验
能独立开展技术研究、实验和概念验证开发
具备较强的分析与解决问题能力
工作职责
面向不同业务与技术场景，研究、设计并实现合成数据生成与评估方案
处理、清洗、转换并分析结构化与非结构化数据集
使用合适的统计与机器学习方法评估合成数据的质量、代表性、隐私与效用
使用Python和现代AI辅助编程工具开发原型与概念验证方案
在适用场景中应用机器学习、深度学习、统计分析或强化学习技术
与技术及业务干系人协作，将需求转化为可落地的数据与AI解决方案
记录技术方案、实验结果、假设与建议
持续跟进合成数据、生成式AI、隐私保护技术和数据科学领域的新兴技术与最佳实践
优先资格
强烈优先：精通Python
在以下一个或多个领域有实践经验：机器学习、统计建模与分析、深度学习、强化学习、生成式AI、数据隐私与隐私保护计算
有PyTorch、TensorFlow或JAX等深度学习框架经验
熟悉合成数据生成方法，包括统计模拟、生成模型、GAN、VAE、扩散模型或大语言模型
有从统计保真度、下游效用、偏差、隐私风险和合规等维度评估合成数据的经验
有大规模数据集、数据管道或云端开发环境经验
具备较强沟通能力，能向非技术干系人解释复杂技术概念
AI 洞察
优缺点分析
优点
- 技术方向前沿，覆盖合成数据、生成式AI、隐私保护与机器学习，技能积累有稀缺性
- 岗位同时涉及研究、原型和业务落地，有利于形成从算法到工程的完整能力
- 与技术和业务干系人协作，可接触多类场景，拓宽数据与AI应用视野
- JD未披露薪资福利与工作节奏，实际投入度和团队协作方式需在面试中确认
- 适合数学与编程基础扎实、对生成式AI和合成数据有热情，并愿意独立做研究型工程落地的求职者
缺点 / 挑战
- 合成数据评估涉及统计保真度、隐私、偏差和下游效用等多维权衡，技术复杂度较高
- 需要独立开展研究和概念验证，对自驱力、实验设计和问题拆解能力要求较高
角色解读
- 可在合成数据、生成式AI与隐私计算方向深耕，成长为AI数据/算法专家
- 通过参与跨业务场景项目，逐步承担技术方案设计与端到端落地职责
- 积累数据质量、隐私合规与业务价值评估经验后，可向AI平台或数据科学管理岗位发展
- 面向业务与技术场景，研究并设计合成数据生成、清洗、转换和评估方案
- 使用Python和AI辅助编程工具搭建原型与概念验证，验证合成数据在真实问题中的可行性
- 结合统计与机器学习方法评估合成数据的质量、代表性、隐私风险和下游效用
- 与技术和业务团队协作，把需求转化为可落地的数据与AI解决方案，并沉淀实验文档
- 扎实的概率统计、线性代数、优化或数值方法基础，能支撑合成数据评估与建模
- 熟练使用Python及pandas、NumPy、SciPy、Polars、scikit-learn等数据处理与科学计算工具
- 理解合成数据、生成式AI和隐私保护计算，熟悉GAN、VAE、扩散模型或大语言模型等方法
- 具备机器学习/深度学习实践能力，能独立完成研究、实验、调试和原型迭代
申请策略
- 投递前了解联想在AI、数据治理和隐私计算方面的业务布局，面试中结合岗位方向表达匹配度
- 可在简历或作品集中附上技术博客、GitHub或实验报告，证明研究到原型的落地能力
- 突出Python数据处理与科学计算项目，量化说明使用pandas、NumPy、scikit-learn等处理的数据规模和效果
- 展示合成数据、生成式模型或隐私计算相关项目，说明生成方法、评估维度和业务价值
- 列出机器学习/深度学习框架经验，如PyTorch、TensorFlow或JAX，并说明原型到落地的贡献
- 用案例体现独立研究、实验设计、问题拆解和跨团队沟通能力
- 补强合成数据评估方法，包括统计保真度、下游效用、偏差与隐私风险度量
- 熟悉GAN、VAE、扩散模型和LLM在合成数据生成中的典型用法与局限
面试指南
- 用“业务问题—方法选择—实验设计—评估指标—落地效果”的结构回答项目案例
- 评估类问题先列维度，再说明指标、验证方法和权衡取舍，最后给出结论
- 方法选择题先比较数据特征、隐私要求和生成质量，再说明选择理由与局限
- 请介绍一个你设计或实现合成数据生成方案的案例，如何定义并评估其质量？
- 如何从统计保真度、下游效用、偏差和隐私风险等维度评估合成数据？
- 在GAN、VAE、扩散模型和LLM之间，你会如何根据场景选择合成数据生成方法？
- 请说明你使用AI辅助编程工具构建、调试和迭代原型的经验
- 面对非技术干系人，你会如何解释合成数据的价值与风险？
职位点评
薪资福利60
成长发展88
工作生活55
使命价值78
薪资福利
60中等
JD未披露薪资与福利，补偿性动机的信息有限；岗位为北京正式全职，具体回报需在面试中确认。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
88较高
岗位聚焦合成数据、生成式AI、隐私保护与机器学习，技术栈前沿，研究到原型落地兼顾，成长性突出。
技术前沿前沿/新兴技术
技术栈Python、pandas、NumPy、SciPy、Polars、scikit-learn、PyTorch、TensorFlow、JAX、Synthetic Data、Generative AI、Privacy-Preserving Computing
成长机会持续跟进新兴技术与最佳实践
业务类型ambiguous
工作生活
55较低
JD未提及办公模式、弹性安排或工作节奏，生活化动机信息不足，需在面试中确认实际工作方式。
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
78中等
合成数据与隐私保护技术处于AI数据供给和合规的重要方向，行业前景较好，岗位更多体现技术赋能价值。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
联想 的其他在招职位
相似职位推荐
Watch Jobs