大模型应用研发工程师 ( 电商广告方向 ) -【商业化】

优缺点分析

角色解读

• 技术深挖：成为大模型领域专家，主导核心算法突破，发表论文或开源项目
• 横向拓展：结合广告业务场景，转向AI产品经理或技术负责人，推动商业化落地
• 管理方向：带领团队负责广告AI中台建设，向技术总监发展
• 负责广告场景中大模型（如GPT、Diffusion）的定制化训练与部署，解决商品识别、素材生成等实际问题
• 应用SFT、RLHF、LoRA等技术优化模型效果，并推动AIGC工具在广告创编流程中的落地
• 与产品、工程团队协作，将算法能力封装成可用的服务或平台，提升广告投放效率
• 扎实的机器学习与深度学习基础，熟悉Transformer、LLM、Diffusion等模型架构
• 有大模型训练经验，掌握SFT、RLHF、LoRA、RAG等主流技术
• 熟练使用Python和Java，具备良好的工程化能力和问题解决能力

申请策略

• 面试前了解快手商业化产品线，思考大模型如何提升广告效果
• 准备一个完整项目：从数据收集到模型训练、上线效果的全链路复盘
• 突出大模型相关项目经验，尤其是SFT、RLHF、LoRA等技术的实际落地案例
• 强调在广告或推荐领域的经验，如CTR预估、素材生成等
• 展示工程能力：Python/Java、分布式训练框架（如DeepSpeed）、CUDA优化等
• 补充广告业务知识，了解程序化广告、出价策略等基础概念
• 精通至少一种大模型训练框架（如Megatron、DeepSpeed）和推理优化（vLLM、TGI）

面试指南

• 按STAR法则组织项目回答，重点突出技术难点和解决方案
• 对于开放式问题，结合业务场景和技术可行性给出分层回答
• 请详细描述你做过的一个大模型微调项目，包括数据处理、模型选择、训练技巧和最终效果
• RLHF中的奖励模型如何设计？有哪些实际挑战？
• 如何解决大模型生成内容的可控性和幻觉问题？
• 广告场景下，如何评估大模型生成的素材质量？
• 你如何看待AIGC在电商广告中的应用前景？
• 复习Transformer、Attention机制、Prompt Engineering等基础理论