百度Agent增长投放经理（J100509）

1. 负责滴滴国际化用户增长中台AI 驱动的效果广告投放产品设计与能力建设，结合大模型与自动化技术，打造服务多业务、多市场的增长投放产品体系，包括但不限于投放、素材、数据分析、策略优化等核心场景。 2. 深入理解用户增长业务目标与效果广告投放链路，结合不同国家与业务场景（拉新/激活/召回）的投放需求，数据表现，发现问题并抽象为产品能力，推动投放平台持续迭代。 3. 联动算法、数据科学、研发与业务团队，推动 AI 能力在实际投放场景中的落地，包括模型能力接入、Agent/Workflow设计、工具链搭建等，并对最终业务效果负责（如 ROI、CAC、转化率等）。 4. 持续跟踪 AI 前沿技术（如 LLM、Agent、多模态等）在增长与营销领域的应用，探索创新方向并推动产品迭代，提升增长体系的智能化水平与行业竞争力。

-资源供给策略：以资源生态供给为目标，提升搜索结果覆盖及用户体验，设计资源供给策略，监控供给数据，联动B端合作伙伴，动态优化规则，平衡供需关系 -供给链路优化‌：以提升资源满足效率及时效性为目标，主导自动化通路优化，通过产品化能力提升资源缺口挖掘、任务下发、生产、回收等全链路效率，实现资源供给的规模化； -分发增长‌：以分发规模为核心目标，制定可量化的分发效果评估标准，协同优化搜索结果的召回、排序、展现机制，推动分发目标的达成 -跨团队协作：联动增长团队，设计外部分发增长策略，探索外部投放增长机会，扩大用户覆盖规模

1、理解广告投放业务场景，负责AIGC生成模型在广告场景的落地，帮助业务线达成优质的AIGC创意需求落地，为相关业务指标负责； 2、和业务部门协作，将AIGC在广告业务线中完成策略能力落地、自动化策略和平台工具的全流程应用； 3、建立AIGC生成评估机制和素材上线流程，健全素材效果评估能力； 4、与研发团队紧密配合，持续优化生成模型和AIGC策略广告平台搭建。

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。