地平线深度学习数据算法工程师/专家
任职要求
任职要求 1. 计算机视觉、模式识别、机器学习、电子信息、机器人等相关专业的硕士/博士或者同等工作经验，需要有自动驾驶1年以上从业经验 2. 深入了解数据结构、算法、代码优化和大规模数据处理等相关知识；精通 C/C++ 或 Python 编程，有自动驾驶数据闭环相关工作经验的优先 3. 熟悉主流深度学习算法，精通一/多个领域，包括但不限于 目标检测、分割、跟踪、多任务学习、立体视觉等领域，掌握一种以上的深度学习训练框架（Pytorch, MXNet, Tensorflow…）
工作职责
工作职责 1. 负责ADAS、城区/高速NOA场景下的感知算法研发和数据闭环，包含模型真值生成链路、数据集构建、数据分析、数据挖掘、数据质检、指标看板等； 2. 掌握数据挖掘、标注、训练、部署及badcase回归等闭环链路，并伴随业务开展持续优化；掌握通过数据闭环持续迭代模型的能力； 3. 探索使用data balance, 数据蒸馏等方法支持端侧和云上模型的可持续开发，同时针对特定场景构建特定数据集生产和算法回归评测工作； 4. 支持模型训练/回归/评测/CICD等自动化链路的开发和维护
1、负责自动驾驶端到端模型数据闭环研发工作，制定数据挖掘方案，数据标签自动化，保证数据质量和闭环效果，为线上模型迭代提供数据支持； 2、负责数据场景和行为理解自动标注，通过数据驱动的方式挖掘自动驾驶算法需要关注的关键场景和高价值数据，参与算法迭代； 3、基于海量自动驾驶场景和行为，科学地管理自动驾驶用户数据和已挖掘的算法问题，研究和设计自动驾驶各算法高效发现问题和利用数据的方案； 4、负责自动驾驶数据闭环相关的策略研发工作，制定项目挖掘方案，计划并实施，保证数据质量和闭环效果； 5、综合车端的感知、规控等信息，利用大数据技术对各种corner case 进行识别和自动化归因算法开发； 6. 负责模型微调和强化学习数据分布和挖掘；
工作职责： 1）负责叮咚买菜即时配送场景下时效预估体系的构建； 2）基于业务场景，持续迭代优化ETA（Estimated Time of Arrival）算法模型，探索模型对于用户预期和物流配送效率的影响，提升业务指标； 3）和业务/产品团队密切沟通合作，推进项目的进展。
Keeta is an independent brand of Meituan, the world's largest tech-driven retail company. We focus on food and consumer product delivery services in international markets with the mission: "We help people eat better, live better".Established in March 2010, Meituan has helped transform the supply and demand of service and product retail across the digital landscape.As Meituan and Keeta continue to increase R&D investment and advance in new technologies, we uphold a customer-centric approach, working with our partners to provide quality services to customers. 1. 负责Keeta实时调度系统中关键模型的建模与优化，针对即时配送实时调度问题存在的多目标、不确定性、动态性与超大规模等特点，综合使用机器学习、深度学习、强化学习、因果推断等技术手段进行多场景联合优化，持续创新迭代，提升人单匹配决策质量。建模方向包括但不限于：ETA预估、路径规划和时间预估、供需预测、转化预估、订单难度及接单意愿刻画、定价、骑手活动优化等。 2. 针对即时配送领域特点，颠覆创新传统供应链物流技术体系，探索即时配送履约新模式，提升降本增效天花板。
致力于构建高质量的大规模视觉训练数据集，支持图像、视频等多模态模型的研发。主导数据基础设施的设计与优化，确保数据具备良好的质量、多样性与可扩展性。 1. 开发并维护可扩展的数据基础设施，支持大规模图像和视频数据的采集、存储与管理； 2. 应用并部署机器学习模型用于数据清洗、预处理与格式标准化； 3. 实现可扩展且高效的工具，用于可视化、聚类以及深度理解数据； 4. 优化和并行化数据处理流程，以高效处理上亿级别的数据集； 5. 评估并提升训练数据的质量、多样性及标注准确性（包括但不限于caption生成）； 6. 将来自用户偏好的数据来源转化为可用于训练的格式； 7. 与模型研发团队紧密协作，根据训练效果和模型反馈持续迭代数据策略。