字节跳动大模型算法工程师-Ads Core
团队介绍：我们是支持抖音集团广告业务算法技术中台团队Ads Core，致力于研发全球领先的在线广告优化算法，营造健康、互惠的广告生态，持续提升用户和客户体验，引领并推动行业算法的变革与创新。我们承担了抖音集团产品广告变现业务的基础算法策略和机制的改进与研究，涵盖抖音、今日头条、番茄小说等场景的商业化技术的支撑。 课题介绍： 广告推荐算法是互联网商业变现的核心驱动力，我们希望借鉴生成式AI的成功思路，探索在广告推荐算法和架构上的颠覆性创新，解锁更大的算法效果提升空间。重点探索以下方向：1）基于类Transformer结构的生成式推荐大模型技术，验证广告推荐场景的Scaling Law，探索面向大模型的特征工程以及算法建模范式；2）算法和工程协同设计与优化，提升海量数据、超大参数背景下的训练与推理效率 ；3）语言/多模态模型和推荐模型的结合； 职位描述： 1、负责商业化场景推荐大模型的算法优化，引入生成式AI技术，优化算法建模方法、模型结构、特征和样本等，提升广告变现效率； 2、验证推荐大模型的scaling law，应对大模型训练中的一切新挑战； 3、算法和工程高度融合、协同设计，极致优化推荐大模型的训练及推理效率。
团队介绍：我们是支持抖音集团广告业务算法技术中台团队Ads Core，致力于研发全球领先的在线广告优化算法，营造健康、互惠的广告生态，持续提升用户和客户体验，引领并推动行业算法的变革与创新。我们承担了抖音集团产品广告变现业务的基础算法策略和机制的改进与研究，涵盖抖音、今日头条、番茄小说等场景的商业化技术的支撑。 课题介绍： 广告推荐算法是互联网商业变现的核心驱动力，我们希望借鉴生成式AI的成功思路，探索在广告推荐算法和架构上的颠覆性创新，解锁更大的算法效果提升空间。重点探索以下方向： 1）基于类Transformer结构的生成式推荐大模型技术，验证广告推荐场景的Scaling Law，探索面向大模型的特征工程以及算法建模范式； 2）算法和工程协同设计与优化，提升海量数据、超大参数背景下的训练与推理效率； 3）语言/多模态模型和推荐模型的结合； 1、负责商业化场景推荐大模型的算法优化，引入生成式AI技术，优化算法建模方法、模型结构、特征和样本等，提升广告变现效率； 2、验证推荐大模型的Scaling Law，应对大模型训练中的一切新挑战； 3、算法和工程高度融合、协同设计，极致优化推荐大模型的训练及推理效率。
团队介绍：我们是支持抖音集团广告业务算法技术中台团队Ads Core，致力于研发全球领先的在线广告优化算法，营造健康、互惠的广告生态，持续提升用户和客户体验，引领并推动行业算法的变革与创新。我们承担了抖音集团产品广告变现业务的基础算法策略和机制的改进与研究，涵盖抖音、今日头条、番茄小说等场景的商业化技术的支撑。 课题介绍：自动化投放，是在客户给定的营销诉求约束和素材商品资产下，平台通过感知投放状态信息（state）对投放6 要素做实时决策（action），和投放系统交互获得效果反馈（reward），来最大化客户投放效果。 过去自动化已经初步完成单Action model based 决策，在素材/出价/创编/探索预算等均有落地，但仍有以下问题：1）对历史序列建模 不够；2）仅对未来短期做决策，缺乏未来长周期action planning，不是长期最优； 3）多 action 之间缺乏组合，带来互相干扰和 label 收集不准等问题。 多客户投放竞价时，平台提供一套激励兼容且更高效的拍卖机制很重要，目前混排已经升级到 Generator-Evaluator 架构，但 G 阶段生成序列时还以暴力搜索和启发式规则为主，限制了搜索空间和效果上限，效率比较低。随着生成式模型发展，生成式对长序列建模和序列 planning生成 有显著优势，因此探索 将自动化投放和拍卖机制继续升级到生成式范式， 提升效果。
团队介绍：我们是支持抖音集团广告业务算法技术中台团队Ads Core，致力于研发全球领先的在线广告优化算法，营造健康、互惠的广告生态，持续提升用户和客户体验，引领并推动行业算法的变革与创新。我们承担了抖音集团产品广告变现业务的基础算法策略和机制的改进与研究，涵盖抖音、今日头条、番茄小说等场景的商业化技术的支撑。 课题介绍： 自动化投放，是在客户给定的 营销诉求约束和素材商品资产下，平台通过感知投放状态信息（state）对投放6 要素做实时决策（action），和投放系统交互获得效果反馈（reward），来最大化客户投放效果。 过去自动化已经初步完成单Action model based 决策，在素材/出价/创编/探索预算等均有落地，但仍有以下问题：1）对历史序列建模 不够；2）仅对未来短期做决策，缺乏未来长周期action planning，不是长期最优； 3）多 action 之间缺乏组合，带来互相干扰和 label 收集不准等问题。 多客户投放竞价时，平台提供一套激励兼容且更高效的拍卖机制很重要，目前混排已经升级到 Generator-Evaluator 架构，但 G 阶段生成序列时还以暴力搜索和启发式规则为主，限制了搜索空间和效果上限，效率比较低。随着生成式模型发展，生成式对长序列建模和序列 planning生成 有显著优势，因此探索 将自动化投放和拍卖机制继续升级到生成式范式，提升效果。