阿里巴巴研究型实习生-广告引擎serverless关键技术研究
任职要求
1. 熟练掌握C++/Golang/python语言，本科及以上学历 2. 深度理解分布式计算和存储的关键问题和主流架构，有大规模分布式系统开发经验优先 3. 掌握Docker容器技术,熟悉容器内核和资源隔离，从事过大规模容器集群调度部署工作经验优先 …
工作职责
1. 负责研发面向海量数据和超大规模广告业务的商业化引擎Serverless关键技术，包括但不限于高性能分布式计算与调度、分布式存储等； 2. 负责阿里妈妈广告引擎Serveress解决方案的建设、应用与业务落地。
1. 参与基于Agentic AI的智能测试与质量保障系统研发，探索大模型在知识验证、测试生成、风险防控等核心场景的创新应用； 2. 围绕“规范驱动开发”（Specification-Driven Development）体系，构建知识可信、测试高效、风险可控的AI原生质量基础设施； 3. 开发可运行的代码与工具链（如用例&自动化代码生成引擎），还需输出完整技术方案与文档，支撑业务规模化落地； 4. 结合以上方向的探索和研究，撰写发表论文，和业界、学术界保持良好的交流。
广告是经济体客户重要的营销手段。广告主依托广告平台表达营销诉求，媒体依托广告平台的拍卖机制进行流量变现。为优化广告主效果并提升媒体变现能力，广告平台搭建了很多智能决策模块，如智能出价，智能拍卖机制等。这些智能决策模块依赖流量价值的预估值，如智能出价能力，其优化目标是在预算和成本约束下最大化效果(如成交量)，在给定流量的预估价值 (如点击率，转化率等)下，会结合广告自身的预算消耗，成本超限等因素动态的调整出价，最终效果受到预估值精准度的影响。 通常流量价值的预估值是一个标量，表达期望意义下的平均价值。 但在实践中发现，由于用户行为差异、广告的投放时间不同，不同的流量虽然有同样的预估值，但预估值的置信度却大不相同。比如对行为较为丰富的用户预估值的置信度较大，但对行为稀少的用户预估值的置信度较小。同样粗排阶段由于网络结构复杂度低，同样的流量预估值的置信度要比精排阶段预估值要低。对于智能决策算法来说，不同预估值的置信度代表流量的不确定度。在决策的时候，需要将不确定度考虑进去，比如在预算较为充足下，可以适当的在不确定度较大的流量进行探索，以挖掘潜在的高质量流量；而在预算吃紧，需要多竞价确定性
广告算法团队致力于研发全球领先的在线广告算法，不断建设和升级“推荐+搜索”双引擎驱动下的小红书广告技术体系，引领行业创新性解决方案，推动行业变革。 1.端到端统一模型:参与跨场景跨域OneModel的落地与探索，围绕ScalingUp、延迟建模、博弈合作等展开，提升平台商业效率。 2.LLM for Ad & 生成式推荐：探索和打造下一代广告推荐系统，围绕生成式学习、大模型推理、强化学习等技术，推动技术创新与规模化应用。 3.表征学习 & 多模态：推动海量信息（笔记/商品/直播等）下的丰富模态（文本/语音/图片/视频等）应用，探索多种模态与海量用户行为的协同作用模式。
1. 参与基于Agentic AI的智能测试与质量保障系统研发，探索大模型在知识验证、测试生成、风险防控等核心场景的创新应用； 2. 围绕“规范驱动开发”（Specification-Driven Development）体系，构建知识可信、测试高效、风险可控的AI原生质量基础设施； 3. 开发可运行的代码与工具链（如用例&自动化代码生成引擎），还需输出完整技术方案与文档，支撑业务规模化落地； 4. 结合以上方向的探索和研究，撰写发表论文，和业界、学术界保持良好的交流。