哈啰预测大模型算法工程师-【自动驾驶】

1. 参与制定团队在预测大模型领域的技术发展路线，负责关键算法的选型、架构设计、性能优化与落地交付，攻克高并发、高精度等技术难点 。 2. 主导高精度预测大模型（如时序预测、多模态预测）的研发全流程，包括模型设计、特征工程、训练调优及评估上线。探索并实践大模型（如Transformer系列）在物流预测场景的微调（Fine-tuning）、提示词工程（Prompt Engineering）以及RAG、智能体（Agent）等高级技术的应用 。 3. 负责或指导模型的部署、推理加速（如使用TensorRT/ONNX）及线上监控，确保算法服务的高可用与低延迟，并持续进行性能调优与轻量化部署 。 4. 紧密跟踪并评估业界SOTA模型与技术趋势，进行技术预研和概念验证（PoC），保持团队算法能力的行业领先性 。 5. 与业务部门、数据工程师、产品经理等紧密协作，深入挖掘需求，将算法成果转化为可落地的解决方案。指导中级工程师，进行知识沉淀与技术分享 。

1. 主导团队内算法体系的从 0 到 1 建设，深度参与广告策略、营销增长、供应链智能预测、大模型应用等 AI 方向的整体架构设计与技术路线制定，推动算法能力成为业务核心竞争力； 2. 基于海量用户行为数据与多源业务信号，综合运用机器学习、深度学习、强化学习、博弈策略、因果推断等前沿技术，构建预测及排序场景全链路算法体系；在向量化召回、CTR/CVR 模型预估、LTR、多目标排序等方向持续突破，模型能力对标业界前沿，全面提升营收及用户体验； 3. 建设端到端的供应链智能决策体系：融合时序深度学习（DeepAR、TFT、N-BEATS 等）、图神经网络、因果建模与异常检测技术，精准刻画节假日效应、促销扰动、 热点活动、外部冲击等复杂场景下的需求规律，显著提升预测精度；并在此基础上构建库存优化与调度的联合决策模型，实现供应链全链路的降本增效； 4. 深度推进 LLM 大模型技术在业务场景的工程化落地：通过高质量数据工程与 SFT/RLHF/DPO 等对齐技术，打造适配业务垂域的专属模型能力；构建生产级 RAG 系统，融合向量检索、稀疏检索、Reranker 重排序及动态知识更新机制；设计并实现企业级 Multi-Agent 协作框架，涵盖工具调用、动态任务规划、长期记忆管理与多步推理，落地自动化决策及代操作场景； 5. 结合业务全局视角，设计跨场景的多目标优化策略，主导 AB 实验体系建设，支撑算法策略的高效迭代与科学度量；与产品、工程、数据、运营等团队深度协作，将算法价值快速转化为业务增长，沉淀私域知识及 Agent 工作流，构建数字员工实践 AI at work 提效。

1. 基座大模型研发与创新 * 参与研发面向大规模多元时间序列的预训练基座模型。 * 探索适用于时序数据的Transformer变体（如Informer, FEDformer, PatchTST等）及创新架构。 * 负责构建超大规模、高质量的时序预训练数据集，设计自监督预训练任务。 2. 模型深度优化与领域适配 * 针对电力、金融、工业等特定高价值场景，对基座模型进行深度微调与优化。 * 研发高效的模型适配技术（如PEFT），确保模型能快速、低成本地适配多样化下游任务。 3. 系统工程与高性能推理 * 负责将模型从研究原型推进到生产级系统，优化训练框架，利用混合并行技术实现千亿参数模型的分布式训练。 * 主导模型的高效推理优化，应用量化、编译优化等技术，降低服务延迟与资源消耗。 4. 技术前瞻与行业赋能 * 追踪时间序列分析、大模型预训练的前沿学术进展，并引入到产品研发中。 * 与业务团队合作，将模型能力转化为可衡量的业务价值，定义行业新标准。

1、构建驾驶行为特征体系，基于车速、加速度、制动、转向、跟车、道路、环境、DMS和驾驶辅助状态等数据，形成可解释的驾驶行为画像； 2、研究高维车端时序数据表征学习方法，构建面向安全风险预测的时序模型； 3、建立驾驶行为与安全事件、能耗表现、整车健康状态之间的关联分析与因果推断框架； 4、研究人工驾驶、辅助驾驶、接管切换等人机协同场景下的风险识别模型； 5、推动模型在安全画像、安全分、风险预警、事故分析、健康管理等业务中的工程化落地； 6、沉淀可复用算法组件、技术文档、论文与专利。