大数据与大模型工程师

优缺点分析

角色解读

• 技术深度路径：从算法应用优化深入至大模型核心研发、模型架构设计或特定领域AI专家
• 工程广度路径：成长为能独立负责AI平台、MLOps或大数据系统架构的资深工程师或技术负责人
• 业务融合路径：深入理解汽车/电池行业业务，成为懂技术的业务专家或AI产品经理，推动技术战略落地
• 参与设计、实现和优化机器学习与深度学习算法，并将其应用于推荐、NLP、CV等实际业务场景
• 专注于大语言模型（LLM）的微调、优化，搭建RAG系统，并开发基于大模型的智能应用如数据分析助手
• 承担业务数据分析任务，包括数据清洗、可视化、指标体系构建，为业务决策提供数据支持
• 参与技术评审、代码Review，撰写技术文档与专利，并与产品、运营团队协作推动方案落地
• 扎实的Python编程基础，熟悉机器学习、深度学习框架与大模型开发流程
• 了解主流的大模型（如LLM）技术，包括微调、优化、推理部署（如vLLM， TensorRT-LLM）及RAG架构
• 具备数据分析能力，能够进行数据清洗、可视化及指标构建
• 良好的沟通表达能力和团队协作意识，工作细致严谨

申请策略

• 深入研究吉利汽车在智能化、电动化方面的战略和技术动态，尤其是电池管理和智能座舱领域，思考AI技术的切入点
• 准备清晰的项目复盘，能在面试中详细阐述一个技术项目的背景、挑战、你的贡献和最终效果，尤其体现对大模型或算法工程的理解
• 突出与JD匹配的项目经验：重点展示使用Python进行机器学习/深度学习、大模型（如LLM微调、RAG搭建）或数据分析的项目成果
• 量化技术成果：在描述项目时，尽量量化效果（如模型准确率提升百分比、处理数据规模、优化后推理速度提升等）
• 强调工程与协作能力：提及代码规范、参与技术评审、与团队协作完成项目的经历
• 强化大模型实践：动手实践使用Hugging Face等工具微调开源LLM，或尝试用LangChain等框架搭建简单的RAG应用
• 补充大数据技术栈：了解Spark、Flink等大数据处理框架，以及数据仓库相关知识，因为JD提及数据pipeline
• 深入学习模型部署：学习vLLM、TensorRT-LLM等模型推理优化与部署工具，了解模型从训练到上线的全流程

面试指南

• STAR-L框架：描述Situation（背景）、Task（任务）、Action（你采取的行动，突出技术决策）、Result（成果，用数据量化）、Learning（技术反思与成长）
• 技术深度阐述：对于LLM、RAG等具体技术，不要停留在概念，要能说出其工作原理、常用工具/框架以及可能遇到的挑战（如幻觉、检索效率）
• 结合业务思考：即使是在描述技术项目，也要尽量关联到如何为业务创造价值或解决具体问题，体现你的业务理解潜力
• 请介绍一个你使用机器学习或深度学习解决具体问题的项目，重点讲讲技术选型和优化过程
• 你对大语言模型（LLM）有哪些了解？如果让你搭建一个基于LLM的数据分析助手，你会如何设计其架构（如RAG）？
• 在处理大规模业务数据时，你通常会考虑哪些步骤？如何确保数据质量和分析结果的可靠性？
• 如果让你对一个已有的算法模型进行性能调优和线上部署，你的思路和步骤是什么？
• 你如何与产品或运营团队协作，确保开发的技术方案能真正解决他们的业务问题？