长鑫存储生态经理|Ecosystem Manager(J16821)
任职要求
任职要求
必备条件：
1. 5年以上x86平台设计/开发经验，熟悉以下领域：
2. Intel/AMD服务器/PC架构（如BIOS, UEFI、DDR5/LPDDR5 PHY调优）。
3. 内存子系统验证工具（如示波器、矢量网络分析仪、SPD编程）。
4. 深入理解DDR5/LPDDR5x协议（JESD79-5C、JESD209-5B）及信号/电源完整性挑战。
5. 具备主导一线OEM客户内存产品AVL认证的成功案例。
优先条件：
1. 熟悉服务器内存的AI/ML负载优化（如NUMA均衡）。
软性技能：
1. 出色的沟通能力，能向非技术人员（如高管、采购团队）清晰阐述技术概念。
2. 英语流利（书面/口语），需具备中文能力以支持亚太区客户协作。
3. 教育背景：电气工程、计算机体系结构或相关专业本科/硕士学历。工作职责
核心职责 系统集成与故障排除 1. 作为与Intel/AMD工程团队的主要技术对接人，解决平台验证（AVL）中的DDR/LPDDR兼容性问题，包括信号完整性优化、时序调优及BIOS/固件适配。 2. 主导内存相关故障（如开机失败、训练错误）的根因分析，并提供可落地的解决方案。 客户协作与产品支持 1. 与全球OEM/ODM客户（如H3C、中兴、联想）协作定义服务器/PC项目的内存需求，确保符合JEDEC标准及平台特定限制条件。 2. 将客户需求转化为技术规格（如散热设计、功耗预算），并指导内部研发团队实现。 技术领导与路线图对齐 1. 追踪Intel/AMD技术路线图（如Sapphire Rapids、Zen 5），预判DDR5/LPDDR5x集成挑战并推动前瞻性设计调整。 2. 推广新兴技术（如RDIMM、MRDIMM），确保产品开发与行业趋势同步。 3. 主导应用笔记（Application Note）编写，用于问题/勘误说明。 项目管理与质量保障 1. 负责端到端产品认证周期管理，协同验证实验室与质量团队确保符合JEDEC-209标准。 2. 对可制造性设计（DFM）及成本性能权衡进行风险评估。
【小红书本地生活 C端产品经理实习】 职位：本地｜交易产品 地点：上海-新天地 职位亮点：有机会负责项目的产品策划工作，本地生活核心业务 邮箱：tongzhilong@xiaohongshu.com 工作职责 1、负责「笔记」等核心场景的需求分析与设计，丰富社区内的本地UGC内容生态； 2、负责POI页等本地核心载体的需求分析与设计，基于业务目标与社区特色设计创新的本地产品形态（如评价体系、AIGC产品等）； 3、通过用户/商家/达人买手调研、数据监控和竞品分析等方法，协助进行产品优化、验证方案有效性； 4、对接研发、测试、设计、数据等伙伴，实现需求的完整落地。
About Level Infinite Level Infinite 是腾讯旗下国际游戏业务品牌，致力为全球玩家带来充满乐趣、原汁原味的游戏体验，让玩家随时随地进入游戏世界；并通过打造包容、互通、便捷的玩家社区，促进分享交流。 Level Infinite为合作工作室提供一系列支持及服务，助力其释放产品潜能。 Level Infinite发行产品包括《PUBG MOBILE》、《Goddess of Victory: NIKKE 》《Honor of King》等热门游戏，并与合作工作室联手推出了来自Fatshark的《战锤40K：暗潮》、Funcom的《沙丘：觉醒》、Inflexion Studios的《夜莺》在内多款产品。 想进一步了解Level Infinite，请访问www.levelinfinite.com，并在Twitter、Facebook、Instagram和Youtube上关注我们的官方账号。 Job Responsibilities 1.负责全新二次元产品市场营销工作，包括创意Campaign策划与落地； 2.负责全新二次元产品核心创意内容和素材，以及数字化创意内容； 3.负责KOL内容营销的策划、创意设计、执行落地； Work Location: China-Shanghai | China-Shenzhen
About Level Infinite Level Infinite 是腾讯旗下国际游戏业务品牌，致力为全球玩家带来充满乐趣、原汁原味的游戏体验，让玩家随时随地进入游戏世界；并通过打造包容、互通、便捷的玩家社区，促进分享交流。 Level Infinite为合作工作室提供一系列支持及服务，助力其释放产品潜能。 Level Infinite发行产品包括《PUBG MOBILE》、《Goddess of Victory: NIKKE 》《Honor of King》等热门游戏，并与合作工作室联手推出了来自Fatshark的《战锤40K：暗潮》、Funcom的《沙丘：觉醒》、Inflexion Studios的《夜莺》在内多款产品。 想进一步了解Level Infinite，请访问www.levelinfinite.com，并在Twitter、Facebook、Instagram和Youtube上关注我们的官方账号。 Job Responsibilities 1、负责与海外/国内投资厂商的合作对接，包括公司整体合作战略规划、重点项目商务合作推进、未来合作机会点挖掘等，整合协调内外部资源与沟通，提升合作效率、深化合作关系； 2、根据部门各游戏业务发展需求，与内部团队协作共同拓展全球IP或品牌合作机会，与合作伙伴建立深度互信、构建长期合作关系； 3、负责搭建、迭代部门内商务合作工作流程和规范，提升内外部协作效率； Work Location: China-Shanghai | China-Shenzhen
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。