百度大模型营销算法实习生（J91218）
任职要求
-计算机科学、数学、统计学、人工智能等相关专业本科及以上学历，2年以上算法相关工作经验，有营销相关经验者优先 -对数据敏感，热衷于从数据中挖掘价值，并能够将数据洞察转化为可落地的营销策略 -具备扎实的机器学习、深度学习基础，熟悉常见的NLP模型、算法、深度学习框架，例如BERT、Transformer、Pytorch等，并有实际项目经验 -对LLM (Large Language Model) 技术充满热情，渴望探索其在营销领域的应用场景 -具备良好的编程能力，熟悉Python等语言，并掌握常用的数据处理和机器学习框架 -具备良好的沟通能力和团队合作精神，能够与产品、工程、运营等团队紧密协作 -需要至少实习6个月以上
工作职责
-基于海量数字员工、智能客服、智能外呼等场景数据，进行数据分析和挖掘，洞察用户行为，构建用户画像，为营销策略提供数据支持，并推动个性化客户服务与业务增长 -开发和优化NLP模型，用于客户分群、意向识别、情感分析、关键词提取等任务，提升营销内容的质量和精准度 -探索LLM技术在营销领域的应用场景，例如智能客服、智能外呼、内容营销推荐等场景，并参与相关产品的开发和落地 -跟踪行业最新技术动态，并将其应用到实际业务中，持续提升营销效率和效果
-围绕大模型打造次世代的智能对话能力，例如实体抽取，意图识别、上下文记忆，多对话引擎切换 -建设文档问答、表格问答、FAQ等基于知识的对话能力，如 NL2SQL、Agentic-RAG -建设新一代数字员工产品，熟悉智能体基座模型领域，有机会研发遵循SOP执行的营销对话智能体 -梳理业务场景的会话，整理成训练大模型需要的训练数据，优化大模型专项能力（数值计算、日期比较、任务规划、工具选择等） -探索高性能，低成本的对话实现，最大化客户价值
业务丰富，技术领先 高德打车算法团队深度赋能打车业务全链路，涵盖 用户增长、风控、服务管控、路线与上下车点推荐、ETA 预估、智能客服 等核心场景。多样化的业务挑战为算法创新提供了广阔的发挥空间，团队已在 AI 顶级会议发表成果。 精英阵容，国际视野 团队成员来自泰晤士世界大学排名 Top 10 的高校，以及美国常青藤、清华、北大等顶尖院校，兼具国际化背景与一流技术视野。 持续成长，共享共进 团队每周固定进行技术分享，氛围开放、互助友好；除了解答算法与工程难题，资深同事还会分享项目经验，并传授业务理解与问题解决的方法论，助你快速成长。 我们正在寻找相关专业的优秀实习生，一同探索前沿大模型技术和强化学习技术在共享出行领域的深度应用，共同攻克业界难题，优化产品体验。 在这里，你将运用大模型、强化学习等先进算法技术打造全新的用户营销体系，基于海量数据训练模型并在真实业务场景中验证价值，为海量用户创造更好的打车出行体验。
业务丰富，技术领先 高德打车算法团队深度赋能打车业务全链路，涵盖 用户增长、风控、服务管控、路线与上下车点推荐、ETA 预估、智能客服 等核心场景。多样化的业务挑战为算法创新提供了广阔的发挥空间，团队已在 AI 顶级会议发表成果。 精英阵容，国际视野 团队成员来自泰晤士世界大学排名 Top 10 的高校，以及美国常青藤、清华、北大等顶尖院校，兼具国际化背景与一流技术视野。 持续成长，共享共进 团队每周固定进行技术分享，氛围开放、互助友好；除了解答算法与工程难题，资深同事还会分享项目经验，并传授业务理解与问题解决的方法论，助你快速成长。 我们正在寻找相关专业的优秀实习生，一同探索前沿大模型技术及推荐营销算法在共享出行领域的深度应用，共同攻克业界难题，优化产品体验。 在这里，你将参与高德共享出行核心业务的大模型技术落地、推荐营销算法建设等，包括但不限于： 大模型方向：将大模型技术深度应用在高德打车核心链路上，包括多模态大模型、AIGC、SFT、RLHF、高效推理等，提升平台效率和用户体验； 推荐营销方向：利用深度学习、基于大模型的下一代推荐营销算法等，基于海量用户数据，进行高德打车全链路的推荐营销算法构建和迭代，包括多任务学习、多场景建模、序列决策、因果推断建模、应答时长预测等； 在这里，你的算法将直接服务全国数亿级用户，带来真实而深远的影响；你能接触到前沿大模型、多模态、强化学习等核心技术，并与顶尖同事共创，在开放包容的创新氛围下，发挥AI创造力。
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： 用户增长业务中，当前产品手段较多，包括满减券、货补礼金、超值券省钱包、分享裂变等手段，核心目标是在给定的平台预算和ROI约束下，通过决策每个手段的Action，实现平台收益的最大化；目前，决策系统已取得一定的效果，线上使用因果推断模型和运筹优化策略，做到了实时预估&决策，在用户增长的各场景均有落地， 但仍有以下挑战： 1）决策模型未充分利用用户的状态信息（state），对用户历史的序列建模不够； 2）模型的建模目标仍是短期收益，缺乏对未来累计收益的建模（cumulative reward）； 3）业务场景的决策变量众多，彼此之间缺少组合，没有做到全局统一的联合决策。 对于交易业务来说，建模出用户的兴趣偏好至为重要，而大模型技术可以深度理解用户的行为与兴趣，采用scaling-up和生成式的解决思路，可以有效提升决策模型的准确度，未来我们将探索序列决策、联合决策和大模型技术的深度融合，来提升效果。 研究方向：联合决策/序列决策。