供应链产品技术部-大模型决策算法专家-杭州

优缺点分析

角色解读

• 技术专家路径：在供应链AI领域持续深耕，成为解决更复杂、更前沿决策问题的核心专家
• 技术管理路径：带领小团队，负责特定业务线的算法规划与落地，向技术经理或总监发展
• 横向拓展：将供应链领域的AI能力复制到其他复杂决策场景，或转向更前沿的AGI研究
• 分析海量供应链数据，为补货、调拨、履约、仓储、运输等复杂场景构建优化模型
• 研究并落地大语言模型在供应链决策中的创新应用，如自进化优化系统和垂直领域基础模型
• 综合运用运筹优化、深度强化学习和大模型技术，设计并实现能提升业务指标的算法系统
• 针对不同行业特性（如自营、跨境、时尚品类），定制化开发智能供应链解决方案
• 需要扎实的运筹优化（如MILP, LP）和机器学习（特别是强化学习）理论基础与实战能力
• 需要精通Python及主流深度学习框架，并有处理海量数据的工程能力（Spark, Flink等）
• 需要深入理解大语言模型技术栈，包括预训练、微调、Agent、RAG等，并有落地经验
• 需要强大的业务理解与建模能力，能将复杂的供应链问题转化为可求解的算法问题

申请策略

• 仔细研究天猫/淘宝的供应链业务（如菜鸟网络、盒马、天猫超市等），理解其模式、痛点和技术应用现状
• 在面试中，能够清晰地阐述如何将大模型技术与传统运筹方法结合，以解决供应链中的具体问题，展示你的系统性思考
• 突出运筹优化与机器学习的交叉背景，特别是深度强化学习在复杂优化问题上的应用经验
• 重点展示在大语言模型（LLM）方面的实践，包括但不限于微调、Agent开发或在垂直领域的探索
• 列举具体的供应链优化项目案例，明确说明你解决的问题、采用的方法和达成的业务指标（如成本降低XX%、效率提升XX%）
• 展示大规模数据处理和分布式计算（Spark/Hadoop/Flink）的工程能力
• 深入学习大语言模型的最新技术，特别是LLM在推理、规划和决策中的应用范式（如LLM for Decision Making, Self-Evolution）
• 复习并加强运筹优化（特别是MILP、随机优化）和强化学习的理论知识，并尝试在Kaggle或开源项目中实践

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化地讲述项目经历，突出技术选型的思考过程和业务价值
• 对于开放性问题（如LLM应用），从技术可行性、业务需求和潜在风险（如可解释性、稳定性）几个维度展开分析
• 回答技术深度问题时，先阐述核心原理，再结合具体案例说明你是如何应用和调整的
• 请介绍一个你使用强化学习或大语言模型解决的复杂优化问题，描述问题、方法和效果
• 如何将一个实际的供应链库存调拨问题，抽象为一个可求解的运筹优化模型或强化学习问题？
• 你认为大语言模型在供应链决策领域有哪些潜在的应用方向和挑战？
• 描述一个你将学术研究成果成功落地为工业级系统的经历，遇到了哪些困难以及如何解决？
• 对于大规模分布式训练和推理优化，你有哪些实践经验？