高德地图高德-深度学习算法工程师（NLP/多模态/大模型）-高德打车
任职要求
1、 算法：对数据敏感，有扎实的数据结构、机器学习算法基础，包括但不限于大模型、NLP、多模态融合、多任务学习、深度学习等（其中若干种即可） 2、 大模型：熟悉大模型相关技术，包括但不限于LLM、Transformer、GPT、Diffusion等，了解prompt、SFT、RLHF、RAG、agent等相关知识 3、 工程：熟练掌握Python，有使用sklearn、TensorFlow等工具的经验。掌握海量数据处理技术，包括但不限于Hadoop/Hive/Spark。 4、素质：热爱出行行业，沟通协作意识好，落地能力强。
工作职责
利用大模型/深度学习等算法处理海量数据，提升用户体验及平台效率，包括但不限于： 1、 对各类行程问题（包括司乘纠纷、费用异常、服务质量、安全风险、客诉处理等）的识别及模型设计与实现 2、 将大模型、NLP、多模态、预训练等先进技术应用到业务中提升效果 3、 将相关应用场景中的问题转化成数据模型或者科学问题，提出并实现解决方案
我们是AliExpress广告算法团队，该岗位负责AE搜索广告的NLP&相关性、用户体验优化，包括并不限于： 1. 设计和优化搜索广告相关性下的Query理解、类目预测、深度语义相关性、商品理解、实体匹配等方向 2. 对比学习、表征学习、蒸馏学习在语义理解、类目预测、相关性判别等领域的应用和创新 3. 设计合理的全链路管控与供给策略，保证消费者体验、广告主投放效果、平台营收的良好平衡 4. LLM、MLLM在上述方向的全面应用与优化 5. 建立合理的相关性评测方法，进行数据挖掘，迭代数据标注任务，积累电商领域知识数据资产
团队介绍：短视频平台算法团队，负责国际化短视频产品的基础推荐算法，加入我们，你能接触到包括用户增长、社交、直播、电商C端、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地探索，推荐大模型的应用研究等多个学术领域的算法改进以及对多种场景的推荐架构的设计和对产品数据的复杂深入的分析。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以跟来自全球不同国家的团队合作, 感受不同文化的碰撞, 激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 课题介绍： 随着硬件算力的发展以及大模型在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。排序模块作为整个短视频推荐系统中非常重要的一环，承载着用户与视频之间的细粒度匹配挖掘进而挑选出用户最感兴趣的视频。如何找到合适的路径来最大化大算力下模型的记忆、泛化、推理能力，成为了研究的重中之重。 1、设计并实现最前沿的适合推荐系统的深度神经网络； 2、紧跟行业前端科研，推动优化推荐大模型训练、推理效率； 3、分析基础数据，完善基础特征，挖掘用户兴趣、内容价值，提高推荐系统的天花板； 4、端到端优化推荐大模型链路，改进短视频推荐系统，优化数十亿用户的使用体验。
团队介绍：短视频平台算法团队，负责国际化短视频产品的基础推荐算法，加入我们，你能接触到包括用户增长、社交、直播、电商C端、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地探索，推荐大模型的应用研究等多个学术领域的算法改进以及对多种场景的推荐架构的设计和对产品数据的复杂深入的分析。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以跟来自全球不同国家的团队合作, 感受不同文化的碰撞, 激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 课题介绍： 随着硬件算力的发展以及大模型在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。排序模块作为整个短视频推荐系统中非常重要的一环，承载着用户与视频之间的细粒度匹配挖掘进而挑选出用户最感兴趣的视频。如何找到合适的路径来最大化大算力下模型的记忆、泛化、推理能力，成为了研究的重中之重。 1、设计并实现最前沿的适合推荐系统的深度神经网络； 2、紧跟行业前端科研，推动优化推荐大模型训练、推理效率； 3、分析基础数据，完善基础特征，挖掘用户兴趣、内容价值，提高推荐系统的天花板； 4、端到端优化推荐大模型链路，改进短视频推荐系统，优化数十亿用户的使用体验。
团队介绍：短视频平台算法团队，负责国际化短视频产品的基础推荐算法，加入我们，你能接触到包括用户增长、社交、直播、电商C端、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地探索，推荐大模型的应用研究等多个学术领域的算法改进以及对多种场景的推荐架构的设计和对产品数据的复杂深入的分析。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以跟来自全球不同国家的团队合作, 感受不同文化的碰撞, 激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 课题介绍： 随着硬件算力的发展以及大模型在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。排序模块作为整个短视频推荐系统中非常重要的一环，承载着用户与视频之间的细粒度匹配挖掘进而挑选出用户最感兴趣的视频。如何找到合适的路径来最大化大算力下模型的记忆、泛化、推理能力，成为了研究的重中之重。 1、设计并实现最前沿的适合推荐系统的深度神经网络； 2、紧跟行业前端科研，推动优化推荐大模型训练、推理效率； 3、分析基础数据，完善基础特征，挖掘用户兴趣、内容价值，提高推荐系统的天花板； 4、端到端优化推荐大模型链路，改进短视频推荐系统，优化数十亿用户的使用体验。