快手AI应用研发工程师（广告方向）-【商业化】

1、负责广告业务中大模型能力的研发与落地，包括广告商品识别、广告素材生成、智能创编、智能助手等核心场景； 2、深入挖掘广告内容、商品信息、用户行为等多模态数据，构建高质量训练语料与知识库，驱动多模态/多任务大模型能力升级； 3、研究并应用先进的大模型训练技术（如SFT、LoRA、RLHF、Prompt Engineering等），构建面向广告场景的垂类大模型； 4、推动大模型在广告行业中的文本、内容可控生成等关键问题的算法突破； 5、跟踪前沿AI技术，推动AIGC与广告业务结合的创新应用，提升投放效率与用户体验； 6、跨团队协作，推动算法方案在广告平台、创意平台等系统中的落地与优化。

1. 行业垂直大模型训练与优化：负责针对特定行业进行垂直大模型的端到端训练与精调，深度挖掘行业数据价值，构建具备专业知识壁垒的AI核心能力。 2. 前沿技术探索与落地： 跟踪大语言模型、多模态及强化学习等前沿算法，并将其创造性地应用于钉钉的核心业务场景（如行业解决方案、商业化产品等），负责从技术到产品的全链路落地，持续推动AGI在真实世界中的价值实现。 3. AI原生应用构建： 依托钉钉强大的AI平台与自研的垂直大模型，主导构建AI原生应用。重点方向包括但不限于：高级认知搜索、可自主执行任务的智能体 (Agentic AI)、以及深度内容洞察与生成工具，打造具有核心用户价值和行业影响力的产品。 4. 智能化场景创新： 探索大语言模型、多模态及扩散模型等技术，在搜索、推荐、广告等场景的创新应用，设计并实现新一代智能化解决方案，提升用户体验与商业效率。

1、迭代AI剪辑能力：基于对广告创意的理解，应用并开发AIGC和ChatGPT等核心算法，实现AI视频剪辑和一键生成功能，优化广告投放效果； 2、自动化素材生产优化：提升素材生产平台的能力，分析并复刻流行创意，进行创意洞察，建设优质素材库，通过数据驱动优化广告投放的各个环节； 3、技术追踪与应用：紧跟AIGC Startups、多模态和生成式AI的最新技术动态，推动其在广告创意理解、自动生成和优化中的应用与效果提升。

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。