有赞产品经理-智能导购(J10199)
任职要求
1、本科及以上学历，3年以上互联网产品经理经验，有C端产品 或 SaaS行业、电商零售行业经验者优先； 2、需要具备一定的用户同理心，能够在一定量的用户调研后，对用户的使用感受能够有一定体感； 3、具备较强的逻辑思维能力，擅长抽象归纳，能够深刻理解客户需求场景，善于分析问题并制定对应的解决办法； 4、具备优秀的表达能力、跨部门沟通与协作能力、结果导向意识、良好的执行力和抗压能力； 5、视野开阔，对行业及相关产品保持关注和了解，学习能力较强，具备一定的创新意识；
工作职责
1、负责为线下导购赋能的智能导购相关产品的需求落地，负责项目设计与实施，持续优化产品功能和商家体验； 2、能够深入洞察核心用户（导购）的需求场景，对导购觉得什么好用逐步有一定深度的理解。并基于场景设计出好用的产品功能。 3、能够理解企业围绕导购运作的方式，并基于现有方式的优化策略来迭代产品，在产品上线时能够让企业的相关角色都能使用。 4、输出产品需求文档，推动跨部门沟通和协作，确保项目按时交付； 5、关注产品指标和客户反馈，分析使用反馈和需求，提出改进建议并优化；
1. 深度理解电商业务场景（推荐/广告/搜索/对话），挖掘大模型技术的落地机会，设计AI驱动的产品创新方案； 2. 结合用户需求与商业目标，规划大模型产品路线图，推动生成式推荐、智能导购、多模态广告等核心功能落地； 3. 探索AI技术边界，定义下一代电商交互范式（如Agent协作、动态商品生成、认知式营销）； 4. 与算法、工程团队紧密协作，将大模型技术能力（如LLM、多模态理解、RAG）转化为可规模化的产品功能； 5. 设计实验方案并分析数据，验证技术方案的业务效果（如GMV提升、用户体验指标优化），驱动产品迭代； 6. 洞察行业趋势与竞品动态，输出大模型在电商场景的应用洞察报告，为团队决策提供输入。
这是一个需要具备算法基础理解的产品岗位，希望未来往产品经理方向和算法方向的同学投递。 日常的工作包括：电商导购与素材的产品链路梳理、大模型策略编排、知识库搭建等。 1. 深度理解电商业务场景（推荐/广告/搜索/对话），挖掘大模型技术的落地机会，设计AI驱动的产品创新方案； 2. 结合用户需求与商业目标，规划大模型产品路线图，推动生成式推荐、智能导购、多模态广告等核心功能落地； 3. 探索AI技术边界，定义下一代电商交互范式（如Agent协作、动态商品生成、认知式营销）； 4. 与算法、工程团队紧密协作，将大模型技术能力（如LLM、多模态理解、RAG）转化为可规模化的产品功能； 5. 设计实验方案并分析数据，验证技术方案的业务效果（如GMV提升、用户体验指标优化），驱动产品迭代； 6. 洞察行业趋势与竞品动态，输出大模型在电商场景的应用洞察报告，为团队决策提供输入。
团队介绍：广告业务原为商业产品与技术部门，为抖音集团的商业变现提供广告产品与技术，负责端到端大型广告系统建设，覆盖抖音、今日头条、西瓜视频、番茄小说、穿山甲等产品矩阵，践行"激发生意新可能"理念，致力于让营销更省心、更高效、更美好，推动商业的可持续增长，让不分体量、地域的企业及个体，都能通过数字化技术激发创造、驱动生意。连接广告主、用户及生态伙伴、成为开放共赢的全球最佳智能营销平台之一。在这里，你将投身建设面向未来的数字营销能力，接触到全球先进的商业产品架构、模型和算法，在互联网广告行业始终创新。 课题背景： 随着人工智能技术的快速发展，大模型技术在交易与广告场景中的应用日益广泛，已成为推动行业创新和效率提升的重要驱动力。大模型凭借其强大的学习能力和泛化性能，在多个领域展现出显著优势。例如，推荐大模型能够精准捕捉用户偏好，提升个性化推荐效果；AIGC（AI-Generated Content）技术可用于广告创意、商品图片和视频生成，大幅降低创作成本并提升内容质量；广告投放诊断系统和诊断助手帮助优化投放策略；智能客服、影片智能剪辑、智能导购、大模型审核、用户序列建模以及多模态广告和用户理解等应用，则通过自然语言处理、多模态数据融合等技术，提升用户体验和业务效率。 然而，交易与广告场景对大模型系统的要求极高，不仅需要模型具备出色的精度和泛化能力，还需在实时性、稳定性、可扩展性等方面满足严苛标准。特别是在大规模分布式训练、推理加速、异构硬件支持、多模态数据处理以及系统集成等方面，存在诸多技术难点。因此，针对交易与广告场景研发和优化大模型系统，不仅是人工智能技术发展的前沿方向，也是行业应用的迫切需求。本课题旨在通过系统和工程领域的深入研究，突破关键技术瓶颈，构建高效、稳定、可扩展的大模型解决方案，为交易与广告场景提供强有力的技术支撑。 课题挑战： 1、大规模分布式训练加速：大模型训练需处理海量数据和高复杂度计算，导致训练耗时长、资源需求大。如何优化分布式训练架构，提升数据并行、模型并行和流水线并行的效率，是首要技术难题。 2、推理加速和性能优化：交易与广告场景对实时性要求极高，如广告投放需毫秒级决策。如何在资源受限环境下通过模型压缩和推理引擎优化实现快速推理，是关键挑战。 3、异构硬件支持：大模型需适配多种硬件平台。如何实现高效部署和负载均衡，确保跨硬件精度一致性和高性能，是技术难点。 4、编译优化：编译优化是过程复杂，如何开发高效编译器，优化长尾/灵活模型或结构在不同Accelerator执行效率并减少延迟，是亟待解决的问题。 5、Agent工程：智能客服和导购等应用需构建自主决策的AI Agent。如何设计高效的Agent系统，支持复杂任务执行，是前沿挑战。 6、强化学习框架：强化学习在广告投放优化等场景中潜力巨大。如何构建高效框架，支持大规模环境训练和推理，是研究难点。 课题内容： 1、大规模分布式训练加速技术 1）研究数据并行、模型并行和混合并行算法，优化训练效率； 2）开发自适应负载均衡机制，减少资源浪费； 3）探索梯度压缩和通信优化技术，降低网络开销； 2、推理加速与性能优化方法 1）研究模型压缩技术（如量化、剪枝），减小模型体积； 2）开发高效推理引擎，支持批量推理和异步处理； 3）针对不同Accelerator的架构加速推理过程； 3、异构硬件支持与优化 1）设计通用部署框架，支持多硬件无缝集成； 2）开发硬件感知调度算法，优化任务分配； 3）研究跨硬件模型迁移技术，确保精度一致； 4、编译优化技术 1）深入优化模型编译器，优化长尾场景的计算开销； 2）研究图优化和算子融合技术，减少计算开销； 3）探索动态优化方法，提升运行时效率； 5、Agent工程与实现 1）设计模块化Agent架构，支持任务分解和决策； 2）开发多模态交互技术，提升用户体验； 3）研究Agent训练与评估方法，优化复杂场景性能； 6、强化学习框架构建 1）开发高效强化学习算法，支持多智能体协作； 2）针对交易与广告场景的训练场景优化训练速度，提升迭代效率； 3）探索强化学习在广告投放中的应用，提升决策效果。
1、研究和应用大模型技术，面向电商智能导购、数字人技术等方向，打造服务亿级用户的AI明星产品； 2、结合 LLM 等前沿领域，探索、设计并实现 AI-Native 的数据基建和应用架构，推动团队在AI领域的创新和发展； 3、与产品经理、数据工程师和底座中台研发等角色紧密合作，理解业务需求，制定技术方案，并推动项目的落地和优化； 4、跟进行业最新的AI技术趋势，不断探索和尝试新的技术应用，为电商C端业务带来更多的创新和突破。