渣打银行
Specialist, ML Engineer
Specialist, ML Engineer
发布于 大约 7 小时前普通员工/个人贡献者
广州市
中级经验
全职员工
混合式弹性办公
本科
软件工程
PyTorch
SQL
RAG
TensorFlow
LLM
AI 估算 · 20k–40k
3-7年经验ML工程师，外资银行广州，薪资处于市场中上水平，结合技术和行业前景估算。
职位详情
关于这个职位
这个职位是渣打银行的机器学习工程师，主要负责开发和生产部署AI应用，包括构建ML模型、集成大语言模型(LLM)和RAG管道，以及全栈开发工作
你将与产品、数据工程师和平台团队合作，推动AI解决方案在金融领域的落地
最低要求
计算机科学、机器学习、数据科学或相关技术领域的学士或硕士学位
年ML模型开发和部署的实践经验
精通Python和ML框架（PyTorch/TensorFlow），具备扎实的算法基础
有云平台（AWS/Azure/GCP）和CI/CD管道的经验
熟悉现代向量数据库、RAG/GenAI管道和代理系统者优先
良好的数据工程基础（SQL、ETL、API）
强大的问题解决、沟通和协作能力
工作职责
开发并维护生产环境中的Python AI应用，使用pandas和numpy实现和优化数据处理管道，构建和维护模型库
创建高效的数据库模式、查询和数据模型，排查并解决现有应用问题，保持对行业最佳实践和新兴技术的了解
在高级工程师指导下构建Web应用、API和数据驱动功能
使用React、JavaScript/TypeScript等框架实现前端组件
使用Python（FastAPI/Flask/Django）或Node.js开发后端服务，包括基本API端点和数据访问层
协助集成AI/LLM功能，如聊天界面、嵌入或简单的RAG工作流
支持数据库操作，包括SQL查询、基本模式更新以及与NoSQL/向量存储的交互
参与测试、文档、代码审查，并遵守软件工程最佳实践
解决前后端集成问题，持续改进代码质量
研究新的AI框架、库和工具，支持持续开发活动
设计、开发和优化用于结构化、非结构化和半结构化数据的机器学习模型
构建端到端ML管道，包括数据摄取、特征工程、模型训练、评估和监控
使用GenAI API（如GPT、Claude、Gemini）和现代框架（如PyTorch、TensorFlow、Hugging Face、LangChain、LlamaIndex）实现可扩展的ML/GenAI服务
与数据工程师、产品团队和领域专家合作，将需求转化为可部署的ML解决方案
将模型集成到生产环境（如Kubernetes、Docker、云平台），确保性能、可靠性和可观测性
进行模型诊断、偏差和漂移分析，应用MLOps/LLMOps最佳实践
维护清晰的文档、编码标准，并确保ML生命周期中的可重现性
理解集团AI战略，并应用适当的模型
了解AI/GenAI模型在集团内的运作方式
负责开发一些面向业务的机器学习模型
能够解读机器学习模型，识别关键问题并建立适当的模型控制措施
识别与所开发模型相关的负责任的AI关键问题
展示模范行为，践行集团价值观和行为准则，承担最高道德标准的个人责任
优先资格
熟悉现代向量数据库、RAG/GenAI管道和代理系统者优先
AI 洞察
优缺点分析
优点
- 外资银行平台稳定，福利完善，提供灵活办公和丰富培训资源
- 技术栈紧跟前沿（LLM、RAG、MLOps），能积累高价值AI经验
- 跨团队协作机会多，有助于提升沟通和业务理解能力
- 金融领域AI应用场景复杂，模型落地需兼顾准确性和解释性
- 适合有一定ML经验、希望在大平台稳定发展，并愿意接触全栈和前沿AI技术的工程师
缺点 / 挑战
- 银行环境对合规和风险管理要求高，开发流程可能较慢
- 需同时掌握前端、后端和ML技能，对综合能力要求较高
角色解读
- 可向高级ML工程师或Tech Lead发展，负责更复杂的AI系统和团队技术决策
- 有机会转型为AI架构师，设计企业级AI平台和解决方案
- 在金融科技领域积累经验后，可跨行业或向管理岗位（如AI团队经理）发展
- 开发和维护生产环境中的AI应用，包括模型训练、部署和监控
- 集成大语言模型(LLM)和RAG管道，构建智能对话和数据处理功能
- 进行全栈开发，包括前端React组件和后端Python/Node.js服务
- 与数据工程师和产品团队协作，将业务需求转化为可落地的ML解决方案
- 扎实的Python编程能力和ML框架（PyTorch/TensorFlow）经验
- 熟悉云平台（AWS/Azure/GCP）和容器化部署（Kubernetes/Docker）
- 掌握数据库技术（SQL、NoSQL、向量数据库）和数据管道构建
- 具备LLM、RAG、Agent等前沿AI技术的实际应用经验
申请策略
- 关注渣打银行的AI战略和ESG方向，在面试中体现对该领域的兴趣
- 准备一个端到端ML项目的案例，包括问题定义、技术选型和部署细节
- 突出ML模型从开发到部署的完整项目经验，尤其是生产环境案例
- 强调Python、PyTorch/TensorFlow、云平台和容器化技能
- 如有LLM或RAG相关项目，务必详细描述技术实现和效果
- 展示全栈能力（前端React、后端API）会加分
- 若缺少RAG/Agent经验，可学习LangChain、LlamaIndex等框架并动手实践
- 巩固MLOps知识，了解CI/CD、模型监控和漂移检测工具
面试指南
- STAR法则：描述情境、任务、行动和结果，突出技术决策和影响
- 对于开放性问题，先澄清需求，再给出结构化方案，最后总结利弊
- 请描述一个你从零构建并部署ML模型的完整项目
- 如何选择LLM模型并设计RAG管道？
- 在生产环境中，如何监控模型性能并处理数据漂移？
- 你如何处理前后端集成中的技术问题？
- 请解释负责任的AI（Responsible AI）在金融领域的应用
- 复习ML算法基础（如Transformer、SVM、Boosting），并准备手撕代码（Python）
职位点评
74
综合评分
外资银行ML岗位，技术前沿、福利完善、WLB较好，但意义感一般。
更适合这类人
最适合追求技术成长和稳定福利的求职者，尤其是对前沿AI和金融科技结合感兴趣的人。
表现最好
成长发展
相对薄弱
使命价值
薪资福利70
成长发展88
工作生活75
使命价值65
薪资福利
70中等
薪资具有市场竞争力，福利完善（医疗、退休、假期），但未明确具体薪资范围。
薪资信号未披露（AI估算：20K-40K/月）
福利待遇医疗、人寿保险、年假、产假/陪产假（20周）、休假（最多12个月）、志愿服务假（3天）、灵活工作、Unmind健康平台、员工援助计划、持续学习文化
成长发展
88较高
技术栈前沿（LLM、GenAI、MLOps），有持续学习文化和内部培训机会，成长空间大。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、LLM、RAG、LangChain、LlamaIndex、Kubernetes、Docker、AWS、Azure、GCP
成长机会持续学习文化、再技能和技能提升机会、数字学习平台
业务类型profit_center
工作生活
75中等
提供灵活办公选项和混合工作模式，福利包括假期和健康支持，但未明确说明加班情况。
工作模式混合式弹性办公
办公地点市区核心地段
加班情况未提及（无法判断）
工作生活平衡灵活工作、弹性工时、年假、产假/陪产假、志愿服务假
使命价值
65中等
银行在可持续金融和负责任AI方面有明确导向，社会影响力中性偏正面，但AI本身不直接解决社会问题。
行业发展稳定成熟行业
社会影响中性/一般
使命信号驱动商业与繁荣、积极影响
创新程度积极采用新技术
Watch Jobs