TCL专利运营实习生
任职要求
1、在校本科生或研究生，知识产权、法律、市场营销、工商管理等相关专业优先； 2、责任心与细心：对待工作认真负责，注重细节，能够高质量地完成数据收集和文档整理工作； 3、耐心与逻辑性：具备良好的信息筛选和归纳能力，能够从大量信息中提炼关键点。 4、沟通能力：具备良好的中文书面表达能力，能清晰、有条理地撰写报告。 5、工具使用：熟练使用Office办公软件及AI有关工具。 6、兴趣导向：对计算机、手机、物联网、通信技术、新能源、半导体等科技行业有浓厚兴趣，对知识产权商业化有好奇心和学习意愿。 时间要求：能保证每周至少实习3天，持续3个月以上。工作时间稳定者优先。
工作职责
1、市场调查研究： （1）协助收集和整理目标行业的技术发展趋势、市场竞争格局及主要厂商信息； （2）调研特定公司或产品的市场表现、商业模式及知识产权布局情况； （3）撰写简明扼要的调研报告，为运营策略提供数据支持。 2、法律调查与分析： （1）跟踪并协助检索相关行业或技术的全球诉讼案件的动态； （2）整理和分析相关行业或技术热门司法辖区专利相关的法律法规和政策。 3、案例研究： 协助收集和整理国内外相关典型的专利运行、诉讼及交易案例，参与案例分析。
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。 团队介绍：抖音集团内容质量与数据服务平台（DOUYIN GROUP CONTENT QUALITY AND DATA SERVICE，简称CQC）是负责抖音集团今日头条、抖音、西瓜等产品内容安全与质量工作的团队，在各产品运营增长方面开展支持工作，为产品线提供数据服务的基础支持。平台下设内容质量中心、数据中心及运营支持中心，在全国10余个城市有业务分布。 1、负责内容安全、反作弊、青少年保护等多安全业务场景的模型运营，支持模型结构设计、数据工程、模型训练迭代、模型效果评估等全流程工作，保证业务需求稳定交付；负责AutoPE、Auto Workflow、Multi Agents、类Manus等原子能力构建，系统输出实验认知，并应用在解决成熟业务问题上，攻克业务治理瓶颈； 2、灵活应用传统文本、计算机视觉、图网络等相关模型，及各模态大模型与新型生产工具，掌握系统实验方法，持续突破模型准召天花板，兼具经营思维，擅长选ROI最优的解，沉淀认知并抽象业务范式，平衡治理需求与业务增长需求； 3、与跨业务线产品运营、算法团队合作推动项目进展，了解并持续跟进大模型技术原理，支持团队专利沉淀，在各业务场景治理效果、效率上持续领跑行业。
Objective岗位目标： 作为车载功能开发全生命周期管理平台产品运营实习生，你将参与到平台产品运营的各个环节，协助平台进行产品需求及交互层面的定义和设计，提升业务用户体验；协助平台的日常运营工作，确保小米汽车每一个很酷的功能能够高质量的交付到用户手上；协助完成相关专利与软著的编写与申请 Responsibilities主要工作职责 • 产品需求分析和挖掘，协助收集分析市场竞品及关注行业动态； • 参与产品功能定义与需求定义，撰写产品需求文档，并跟进实施落地，参与功能验收测试； • 参与项目进度和项目质量管理，确保产品需求合理拆解与排期，跟进交付的关键节点； • 系统用户的培训及运营，协助更新维护操作指南及发版物料，参与策划执行用户互动活动例如用户调研等，提高用户参与度，更好地了解用户需求； • 参与产品数据分析与指标定义，对反馈数据进行统计分析以及产品化呈现； • 协助完成相关专利与软著的编写与申请；
工作职责 1、负责B站营销科学方向的研究，与运营和技术紧密合作，能根据业务需求独立完成较为深入的专项数据科学项目。通过对数据的敏锐洞察、定性和定量分析、以及算法模型建设，迅速定位内部问题或发现机会。 2、参与搭建B站商业化AI Agent——InsightAgent的开发和落地。团队日均LLM调用量1000w+次，在AI Agent领域有相关专利并在营销商业化业界落地多款前沿应用。 3、基于全站数据，发掘其中蕴含的商业价值，根据不同行业的个性化需求，研究并构建营销方法论，证明并提升B站对广告主的价值，推动科学的营销归因方法论，提升B站在营销领域的影响力。 4、与广告产品、工程技术、算法技术以及其他部门完成高质量沟通，保证推动数据科学策略与模型的落地与持续优化。
在阿里云大数据智能运维场景中，存在大量时间序列异常检测的需求，涉及成本指标、集群、数据库实例、计算作业等诸多监控场景。 阿里云大数据技术与工程团队在时间序列异常检测方向深耕多年，特别是单指标的异常检测方面，支撑了集团内和公有云多个重要的场景。包括（1）Dataworks提供数据质量监控（DQC）动态阈值能力，自动监控集团内部和公有云Dataworks用户的数据表质量；（2）为Flink提供作业延迟的自动监控，实现海量作业异常的自动捕捉，帮助SRE及时发现大规模用户问题并确定影响面等。 但我们发现在只能运维复杂场景下精准的时序异常检测依然存在诸多技术挑战。例如（1）Hologres的实例异常发现，常常需要联合多个数据库性能相关指标综合判断，单指标的异常检测无法做出准确决策。（2）在包含主指标与子指标的下钻场景中，如大数据平台整体资源使用率和各产品资源使用率。在主指标出现异常时，还期望能够准确定位到对异常贡献度最大的子指标。 因此，团队计划在自研算法同时，通过RI项目引入高校优秀学生资源提高团队竞争力，同时也为未来招聘提供优秀候选人。