小红书AI Native开发-广告素材AIGC

作为广告业务GoLang后端团队的一员，你将亲手构建和优化支撑每日百亿级请求的高并发广告系统。在这里，你将直面实时竞价(RTB)、精准定向、效果归因等广告领域的核心技术挑战，在高吞吐、低延迟、海量数据处理的极限场景中，深入探索Go语言在高性能服务中的应用。 岗位职责： 1、核心引擎开发： 参与广告平台核心系统的后端开发，如广告投放引擎、实时竞价系统、用户画像与定向系统、计费与归因模块的设计与实现。 2、性能与架构优化： 参与现有服务的性能瓶颈分析与优化，利用Go语言并发特性（Goroutine, Channel）解决高并发下的性能问题，深入GC调优、内存管理、缓存设计与数据库优化，保障系统99.99%的可用性。 3、技术文档与协作： 编写高质量的设计文档和技术方案，参与需求评审和技术分享，与算法、前端、产品团队紧密协作，确保项目高效、高质量交付。 4、前沿技术探索： 跟踪云原生（Cloud-Native）、Service Mesh、大数据处理框架等技术趋势，探索将新技术（如AIGC在广告素材生成中的应用）引入广告业务，驱动技术创新。

高德信息业务数据平台团队，负责高德核心业务的数据建设，涵盖扫街榜、搜索、推荐、广告、酒店、旅游、门票、租车、美食、加油充电、电影、房产等多元化场景。通过埋点治理与数据优化，驱动业务快速增长。 职位描述 1、埋点体系建设：负责埋点SDK建设与维护、埋点元数据体系设计、埋点治理，对接多业务方完成埋点方案设计； 2、AI赋能数据团队：运用AI技术重构数据开发流程，打造AI Native数据团队，极大提升开发效率； 3、数据平台建设：构建与维护搜索、推荐、广告等C端基础数据体系。

1.负责alibaba国际站 数字营销的前端架构设计及研发，保障系统的安全、可扩展以及质量和性能，与PD、UED、Java 工程师协作，完成设计交互实现、数据交互、动态信息展现 2.关注用户体验，与合作方一起不断改进产品的易用性；运用AI能力重塑 广告后台BP、广告前台创意 的产品形态，提升用户体验和客服效能 3.研究和探索创新的开发思路和新的前端技术，结合业务特点创新应用AI技术，解决前端团队开发过程中面临的各类问题，提升个人和团队的开发效能 4.参与跨境B类全球化创意中心的规划建设，包括可视化制作、可视化渲染、D2C、自动化审核、自动化生产、智能诊断等，推动协助相关团队并落地未来产品和系统规划

Team Introduction: Data AML is ByteDance's machine learning middle platform, providing training and inference systems for recommendation, advertising, CV (computer vision), speech, and NLP (natural language processing) across businesses such as Douyin, Toutiao, and Xigua Video. AML provides powerful machine learning computing capabilities to internal business units and conducts research on general and innovative algorithms to solve key business challenges. Additionally, through Volcano Engine, it delivers core machine learning and recommendation system capabilities to external enterprise clients. Beyond business applications, AML is also engaged in cutting-edge research in areas such as AI for Science and scientific computing. Research Project Introduction: Large-scale recommendation systems are being increasingly applied to short video, text community, image and other products, and the role of modal information in recommendation systems has become more prominent. ByteDance's practice has found that modal information can serve as a generalization feature to support business scenarios such as recommendation, and the research on end-to-end ultra-large-scale multimodal recommendation systems has enormous potential. It is expected to further explore directions such as multimodal cotraining, 7B/13B large-scale parameter models, and longer sequence end-to-end based on algorithm-engineering CoDesign. Engineering research directions include: Representation of multimodal samples Construction of high-performance multimodal inference engines based on the PyTorch framework Development of high-performance multimodal training frameworks Application of heterogeneous hardware in multimodal recommendation systems 1. Algorithmic research directions include: 2. Design of reasonable recommendation-advertising and multimodal cotraining architectures 3. Sparse Mixture of Experts (Sparse MOE) 4. Memory Network 5. Hybrid precision techniques 团队介绍： Data AML是字节跳动公司的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。此外，AML还在AI for Science，科学计算等领域做一些前沿研究。 课题介绍： 大规模推荐系统正在越来越多的应用到短视频、文本社区、图像等产品上，模态信息在推荐系统中的作用也越来越大。 字节实践中发现模态信息能够很好的作为泛化特征支持推荐等业务场景，端到端的超大规模多模态推荐系统的研究具有非常大的想象空间。 期望在算法和工程CoDesign基础上，对多模态Cotrain、7B/13B大规模参数模型、更长序列端到端等方向进一步进行探索。 工程上研究方向包括多模态样本的表征、基于 pytorch 框架的高性能多模态推理引擎、高性能多模态训练框架的构建、异构硬件在多模态推荐系统上的应用；算法上的研究方向包括设计合理的推荐广告和多模态Cotrain结构、Sparse MOE、Memory Network、混合精度等。 1、负责机器学习系统架构的设计开发，以及系统性能调优； 2、负责解决系统高并发、高可靠性、高可扩展性等技术难关； 3、覆盖机器学习系统多个子方向领域的工作，包括：资源调度、任务编排、模型训练、模型推理、模型管理、数据集管理、工作流编排、ML for System等； 4、负责机器学习系统前瞻技术的调研和引入，比如：最新硬件架构、异构计算系统、GPU优化技术的引入落地； 5、研究基于机器学习方法，实现对集群/服务资源使用情况的分析和优化。