AI算法工程师（智能商品管理方向）

优缺点分析

角色解读

• 纵向可深耕算法技术，向资深算法专家或首席科学家发展，主导大模型在零售场景的落地
• 横向可向AI产品经理或技术管理岗转型，负责智能商品管理业务线的整体规划与团队管理
• 负责零售场景下商品管理算法的研发，包括品类决策、新品引进、商品组货与淘汰等
• 构建新品收益预估模型和智能选品组货工具，优化超市新店选品和品类结构
• 探索大语言模型、多模态大模型在商品管理场景中的前沿应用并推动落地
• 扎实的数学建模能力，精通运筹学、机器学习、强化学习等算法理论
• 熟练掌握Python/Shell编程，以及MaxCompute/Hive/Spark等大数据处理技术
• 具备从数据处理、模型构建到业务落地的全流程算法工程能力

申请策略

• 提前了解大润发或欧尚的零售业务模式、品类管理策略，面试时能结合具体业务场景探讨算法应用
• 准备一个完整的算法项目案例，清晰阐述从数据清洗、特征工程、模型选择到业务指标提升的全流程
• 突出在机器学习、强化学习或大模型相关的项目经验，特别是与商品推荐、选品、收益预估相关的落地案例
• 强调大数据处理能力，展示使用Spark、Hive等工具处理大规模数据的实际经验
• 展现对零售或电商商品管理业务的理解，如有相关领域知识图谱或NLP项目经验务必详细展开
• 深入学习大语言模型（LLM）和多模态大模型在垂直领域的应用微调与部署技术
• 补充运筹学在供应链和商品组货中的实际优化算法（如线性规划、启发式算法）知识

面试指南

• STAR法则：针对项目经验问题，按照情境、任务、行动、结果的框架，重点突出你的技术选型和业务收益
• 业务+技术双重视角：在回答算法问题时，不仅讲技术实现，还要结合零售业务逻辑（如毛利、周转率、坪效）说明算法的合理性
• 请详细介绍一个你主导的商品管理或推荐系统相关的算法项目，你是如何提升业务指标的？
• 在构建新品收益预估模型时，你会如何处理数据稀疏性和冷启动问题？
• 大语言模型在商品分类或选品场景中有哪些具体应用？你会如何设计Prompt或进行微调？
• 如果算法模拟的商品淘汰方案与采购部门的经验产生冲突，你会如何沟通和调整模型？
• 请解释强化学习在商品组货或动态定价场景中的应用思路
• 复习机器学习、强化学习的基础理论，并准备大模型在NLP和推荐场景的最新应用案例