Sr. Data Scientist , Worldwide Global Selling -AIT

优缺点分析

角色解读

• 在亚马逊全球销售团队中，可以从高级数据科学家成长为首席数据科学家或技术主管，负责更大规模的AI产品
• 将智能体技术应用于更多业务场景，成为GenAI领域专家
• 横向转到应用科学团队或产品团队，从事更广泛的AI创新
• 设计并构建面向亚马逊全球卖家的AI智能体，利用大语言模型（LLM）提供对话式体验，帮助中国卖家海外业务增长
• 负责智能体智能层开发，包括RAG检索增强生成、工具/函数调用编排、提示工程和模型微调
• 建立评估框架（黄金数据集、离线/在线实验）确保智能体质量、安全性和影响力
• 开发卖家智能模型（细分、实体识别、推荐），并协作将智能体产品化部署
• 年以上数据科学经验，精通SQL、Python等数据查询和脚本语言
• 熟悉统计建模（如多项逻辑回归），具备定量领域硕士学历
• 了解LLM/GenAI应用开发，如RAG、提示工程、微调或智能体框架
• 有构建对话式AI系统的经验，包括多智能体编排、函数调用或MCP集成

申请策略

• 了解亚马逊的Leadership Principles，在面试中体现客户至上和ownership
• 准备有说服力的故事，展示如何将AI模型转化为业务影响
• 突出5+年的数据科学项目经验，特别是涉及统计建模和数据查询
• 重点展示LLM/GenAI相关项目，如RAG系统、提示工程、微调或智能体开发
• 如有电商领域经验，务必明确写出
• 强调构建端到端AI系统的能力，包括从建模到部署
• 补充学习RAG架构和Agent框架（如LangChain、LlamaIndex）
• 练习大模型微调，使用PEFT/LoRA等方法

面试指南

• 对于系统设计问题，先明确需求，再分解模块（检索、生成、评估），给出具体实现方案和取舍
• 对于评估问题，结合离线指标（准确率、召回）、在线实验（A/B测试）和人工评估
• 对于项目经历，使用STAR法则，突出你的职责、技术选择、结果和量化影响
• 如何设计一个RAG系统来回答卖家关于销售数据的问题？
• 你如何评估LLM生成的回答质量？有哪些指标？
• 描述一个你实际构建LLM应用的经历，遇到哪些挑战？
• 如何防止LLM幻觉？你会采用哪些护栏措施？
• 如何将一个原型智能体产品化并监控其效果？