长鑫存储新产品整合工程师|New Product Integration Engineer(J16136)
任职要求
1. 本科及以上学历，工业工程、项目管理、管理科学与工程以及半导体相关专业优先；
2. 熟悉项目管理理论并有至少1年以上的实务经验，至少2年以上半导体产业相关经验；
4. 具有良好的逻辑思维和独立解决问题能力；
5. 具有良好的人际沟通能力、主动性及团队合作精神；
6. 性格开朗、善于沟通协调、抗压能力强工作职责
新产品整合工程师（PTE/PE NP/NP PI) 工作职责 1. 负责新产品研发项目的整合管理工作，包含进度管理、资源管理、风险管理、相关方管理等； 2. 规划并确保新产品测试及验证相关资源； 3. 管理新产品项目的运行，及时对项目状态变化进行分析并反馈，包含checklist进度、关键问题、关键实验进度等； 4. 组织项目会议，督促并确保产品项目按流程执行并按时交付，项目过程中的问题能快速闭环； 5. 研发项目管理过程中的流程问题梳理与优化。
Team Introduction: The ByteDance Recommendation Architecture Team is responsible for the design and development of the recommendation system architecture for ByteDance's related products. It ensures the stability and high availability of the system, optimizes the performance of online services and offline data streams, resolves system bottlenecks, and reduces cost overheads. The team also abstracts the common components and services of the system, builds the recommendation middle - office and data middle - office to support the rapid incubation of new products and enable ToB services. 团队介绍： 字节跳动推荐架构团队，负责字节跳动旗下相关产品的推荐系统架构的设计和开发，保障系统稳定和高可用；负责在线服务、离线数据流性能优化，解决系统瓶颈，降低成本开销；抽象系统通用组件和服务，建设推荐中台、数据中台，支撑新产品快速孵化以及为ToB赋能。 课题背景： 在当今数字化时代，推荐系统已成为众多领域（如电商、信息资讯等）实现个性化服务、提升用户体验和竞争力的关键技术。然而，随着技术的不断发展和业务场景的日益复杂，推荐系统面临着诸多严峻挑战。 一方面，推荐系统自身的复杂性急剧增加。大量推荐策略不断演进迭代，且系统状态动态变化，但缺乏有效手段自动跟踪评估策略有效性并下线低 ROI 策略，导致系统存在较多低效策略。同时，推荐系统依赖多种基础组件，其复杂负载模型给底层组件参数配置和性能调优带来巨大困难，日常开发迭代中的问题排查等工作消耗大量人力，亟需提升开发效率、降低人力成本。 另一方面，随着电商行业等领域的激烈竞争，传统推荐系统在多样性、创新性和个性化方面的短板愈发凸显，难以满足用户日益增长的多元需求。生成式人工智能技术虽带来新突破，但在实际应用中面临成本效率、全域数据协同、数据隐私与安全以及技术变革应对等诸多难题。 此外，随着大模型的快速发展，推荐系统对用户行为序列数据的存储和质量要求不断提高，数据质量对模型性能的影响愈发关键。同时，模型规模的扩大和多模态数据的涌现，使得推荐系统在数据处理环节面临冗长、资源利用不合理以及传统数据处理框架难以满足多模态数据处理需求等问题。 课题挑战: 策略管理与优化：构建一套智能化系统，实现推荐策略的规范化定义、长期及离线评估、无效策略自动识别与下线，以及相关代码配置的下线。 自适应调优与故障诊断：针对推荐系统多样化业务负载，利用大模型能力完成系统及底层组件的参数和配置调优，并探索自适应故障诊断方案，提供全局视角的故障追踪、定位和分析能力。 成本与效率平衡：在推荐系统应用生成式技术时，解决模型训练和运行的高成本问题，平衡成本与效率，在有限资源下实现高效推荐。 全域数据处理：应对电商等横向全域场景下海量异构数据，提升和保障数据质量与准确性，标准化供给数据给全域推荐模型，并实现低成本跨端服务，同时，确保数据隐私与安全，合规使用数据。 数据存储与质量提升：研发低成本高性能存储引擎，设计灵活的Schema Evolution机制，实现数据高并发实时写入与训推一致性，深入探究数据质量与模型预测性能的量化关系，构建基于DCAI理念的数据和模型相关性分析工具及训练数据自动化处理链路。 多模态数据与异构计算：构建适用于推荐系统的多模态数据异构计算处理框架，解决数据读取、框架整合、高性能算子编排等问题，提高数据处理和模型训练效率，建立以Python为核心的开发者生态。 推荐大算力模型效率优化：随着大模型在CV/NLP/多模态以至于AGI领域的不断突破，推荐场景下的大算力驱动能够帮助模型更全面深刻理解用户偏好，进而更好地理解用户需求，挖掘用户潜在兴趣，进而带来更好地用户体验。更大规模的推荐模型需要更大的算力，如何平衡好算力开销和效果收益，需要架构和算法工程师深度Co-Design。
1.从事CIS工艺制程研发工作,主要负责对不同制程进行极高要求的整合,使之成为支撑各种CIS产品的工艺技术平台. 熟悉wafer stacking 工艺; 2.对相关工艺改良,像素性能提升。在深入了解和掌握各种电学学参数,产品参数的基础上,对与各种由产品设计,制程控制引起的良率不良现象进行系统性的分析研究,并以此为基础通过多种数据分析,建立切实可行的良率提升路线图; 3.新产品及新工艺导入。通过系统性了解新产品以工艺的整个流程,从制程整合的角度领导整个产品和工艺从研发部门到生产部门的导入,同时在此过程中负责工艺整合的优化升级,达到提升电学性能,可靠性能以及良率的要求; 4.承担过制程开发项目的负责人。
1. 负责新产品的导入； 2. 参与新产线的建立，以及产品的良率验证； 3. 参与与新产品相关的良率和产品性能的提升工作； 4. 针对新设备和材料进行工艺步骤的改良和工艺规格的重新设定； 5. 通过工艺流程优化调整,提高制程稳定性。
1.从事DRAM工艺制程研发工作,主要负责对上千种不同制程进行极高要求的整合，使之成为支撑各种DRAM产品的工艺技术平台。其中大部分的工作内容涉及到与产品设计部门，电学表征部门以及具体的制程研发工程师共同进行技术创新，以实现高水平的电学性能，可靠性能的终端产品要求。 2.对相关工艺改良，提升芯片良率。在深入了解和掌握各种电学参数，产品参数的基础上，对与各种由产品设计，制程控制引起的良率不良现象进行系统性的分析研究，并以此为基础通过多种数据分析，建立切实可行的良率提升路线图，推动DRAM从产品设计，制程研发，良率从零到一， 从一到一百的极限理想目标的靠近。 3.新产品及新工艺导入。 通过系统性了解新产品以工艺的整个流程， 从制程整合的角度领导整个产品和工艺从研发部门到生产部门的导入，同时在此过程中负责工艺整合的优化升级，达到提升电学性能，可靠性能以及良率的要求。