阿里云研究型实习生 - AI和LakeHouse时代的HTAP查询性能优化研究
任职要求
1. 对数据分析领域有充分的热情，坚持做solid，可落地的研究； 2. 计算机科学、软件工程或相关专业博士、优异的研究型硕士； 3. 扎实的工程能力，有过复杂系统的调优经验。 加分项： 1. 擅长算法和数据结构，在OI/ACM比赛中获得过突出成绩； 2. 在数据库和系统领域发表过论文，包括不…
工作职责
Stonebraker在SIGMOD上对数据库发展20年进行了回顾：尽管过去二十年间KV、NoSQL、MapReduce等技术多次对SQL系统发起挑战，但其生命力却愈发蓬勃——这种""不断兼并挑战者""的韧性，恰恰印证了关系型数据库在数据管理领域的统治力。 其根本的底层逻辑是：随着内存容量突破TB级、NVMe SSD延迟进入微秒时代，硬件工艺的指数级跃迁，曾经为性能瓶颈而生的专用数据处理系统（如OLAP、时序数据库）正呈现大一统趋势。 AI时代，人们比任何时候都更清醒地认识到——数据依然是驱动智能的核心，我们期待对底层研究富有激情的你共同探索数据处理的新范式。 1 期待你通过创新的方法实现SQL性能在新场景下的数量级的提升，将学术成果发表成CCF-A类论文，可进一步在阿里云落地和贡献给开源社区。 2 研究方向包括不限于： 1) 多模态HTAP数据分析性能加速； 2) SQL在多模态场景下的语义扩展； 3) 探索SQL执行引擎范式，突破code gen和向量化执行等上一代执行模式； 4） 针对新硬件设计新的SQL算子和数据结构。
【业务介绍】 作为公司统一的机器学习平台团队，负责调度公司所有模型训练与推理资源；基于自建的训推引擎，构建公司统一的机器学习平台，为公司所有算法同学（稀疏 & 稠密，含 LLM） 模型迭代提供端到端的一站式服务；包括 数据生产，模型训练，模型上线，特征管理，模型测试，资源管控等一系列能力。 【岗位职责】 1、负责机器学习链路，离在线数据相关的开发工作，包括样本数据、特征数据等的数据链路搭建、任务运维和调优、性能优化等 2、负责小红书大规模机器学习平台的后台系统设计和开发工作；包括样本平台，特征平台，训练平台，推理平台等AI应用后台建设等； 3、研究分析业内AI平台产品，优化技术方案，改进产品功能，完善产品体验。
大模型具备很强的泛化及理解世界能力，在小红书内的众多生产场景遍地开花，大模型的训练和部署已成为许多算法工程师的日常。在多团队、多业务频繁使用的大规模GPU集群上，如何能够通过高效的GPU调度策略，使大家不仅能丝滑地完成训练及部署任务，同时也能充分激发大规模GPU集群的效能，是行业公认的关键挑战。在这里，你可以聚焦LLM场景，接触到超大规模GPU集群，并使用真实负载数据进行深入分析及技术探索。欢迎加入我们，一起探索领先技术改变世界！ 工作职责： 1、负责万卡规模GPU集群效能分析及优化，通过调度策略优化、在离线混部、集群调度、GPU虚拟化、故障快速恢复、存储&网络加速等手段，提升大规模GPU集群的整体使用效率。 2、负责构建面向大模型训练、微调、推理、部署全流程LLMOps，与下游云原生平台深度融合，支撑大模型在公司内各业务生产链路稳定高效地落地。 3、持续关注业界最新的GPU资源调度相关技术动态，探索建设业界领先的资源调度策略及方法，构建下一代大规模AI资源调度系统。
中台稠密引擎组，是小红书负责建设通用深度学习训练推理引擎的团队，面向全公司LLM、多模态LLM、SD、传统CV&NLP等稠密计算型模型训练与推理的业务场景，打造高效、易用、业界领先的训练与推理引擎，为小红书社区、商业化、安全等众多业务方向提供先进的引擎能力，支撑业务持续提升训练推理效率、模型迭代效率与算法研发效率。 1、参与设计和实现深度学习后训练及微调的前沿算法（包括但不限于RFT、RLHF等），以适应多样化的业务场景； 2、结合业务数据和场景，评估选择最适合的微调算法，以支撑业务大语言模型（LLM）微调指标的提升； 3、与数据团队紧密合作，深入理解数据特性，参与设计实现数据提质算法引擎工具，产出高质量数据集提升模型微调效果； 4、与公司内各算法团队深度合作，参与或负责大语言模型、多模态大模型等业务场景的后训练端到端效果提升及落地； 5、密切关注业界 LLM 微调算法和数据提质领域的前沿论文，并整合新技术和算法到训练引擎中，提升框架的领先性；
算法工程师 1.基于滴滴交通出行业务，构建完整的打车智能化运营策略解决方案，包括但不限于增长策略、定价策略、供需预测、资源分配策略等各类丰富场景； 2.承担网约车业务核心业务指标，使用运筹优化、机器学习、因果推断等技术持续优化超大规模动态双边市场的交易效率。 计算机/应用数学/计量经济学/统计学相关专业，研究生/本科，2023年毕业 编程基础扎实，至少熟悉python/scala/R等编程语言之一 熟悉常用的机器学习与数据挖掘方法 熟悉常用统计理论与分析方法，数理逻辑好，具有一定的数据分析能力 有较强的学习能力和好奇心，自驱性强，具备良好的团队合作和沟通能力 加分项： 1. 有计量经济学/因果推断方向相关背景优先 2. 有运筹优化/收益管理相关背景优先 3. 有深度学习相关背景优先 4. 有SQL、Hadoop、Spark、Hive、TensorFlow相关经验优先