小米安全隐私产品经理实习生

日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。 团队介绍：TikTok是一个覆盖150个国家和地区的国际短视频平台，我们希望通过TikTok发现真实、有趣的瞬间，让生活更美好。TikTok 在全球各地设有办公室，全球总部位于洛杉矶和新加坡，办公地点还包括纽约、伦敦、都柏林、巴黎、柏林、迪拜、雅加达、首尔和东京等多个城市。 TikTok设计团队的目标是为全球数亿用户提供一流的用户体验，从而帮助他们更好的创作与表达，发现世界的多元与美好，并打破更多隔阂，建立起人与人的连接。我们是一个国际化的设计团队，遍布中国、美国、新加坡、澳大利亚等，世界各地的产品设计师、创意设计师、多媒体设计师、内容文案专家与本地化经理通力合作，把一个个不可能变成可能。 加入我们，你就有机会理解世界不同地域的文化差异，分析并解决复杂的体验问题，进行前沿的设计探索，更能亲身主导如何把一个想法转化成服务亿级数量用户的产品体验。 如果你积极自驱，对世界充满好奇心和想象力，有野心通过设计打造一流的产品，同时又脚踏实地，我们始终期待你成为我们的一员！ 1、负责影响亿万用户的TikTok产品的C端产品设计工作，一方面聚焦在特定目标用户的保护、个性化设置以及隐私安全，希望长期在业内做到领军产品并提升产品在目标市场的口碑和影响力；另一方面丰富产品内容并打造一个更健康公平的生态系统； 2、能根据一些初期的产品想法，从概念深入细化，积极探索能满足用户需求的设计方案，支持产品创新； 3、在产品设计迭代中，能自驱和各协同团队配合，从数据和用户调研中发掘需求，以用户和体验为中心，主动发起设计优化、产品优化，持续提升产品体验； 4、在设计系统建设方面有一定经验，能深度使用和体验产品，善于发现框架性设计问题，参与制定并维护产品的设计框架与规范，支持产品长期高速发展。

团队介绍：字节跳动推荐架构团队，负责字节跳动旗下相关产品的推荐系统架构的设计和开发，保障系统稳定和高可用；负责在线服务、离线数据流性能优化，解决系统瓶颈，降低成本开销；抽象系统通用组件和服务，建设推荐中台、数据中台，支撑新产品快速孵化以及为ToB赋能。 课题介绍： 随着技术的不断发展和业务场景的日益复杂，推荐系统面临着诸多严峻挑战： 一方面，推荐系统自身的复杂性急剧增加。大量推荐策略不断演进迭代、且系统状态动态变化，但缺乏有效手段自动跟踪评估策略有效性并下线低 ROI 策略，导致系统存在较多低效策略。同时，推荐系统依赖多种基础组件，其复杂负载模型给底层组件参数配置和性能调优带来巨大困难，日常开发迭代中的问题排查等工作消耗大量人力，亟需提升开发效率、降低人力成本。 另一方面，随着电商行业等领域的蓬勃发展，传统推荐系统在多样性、创新性和个性化方面的短板愈发凸显，难以满足用户日益增长的多元需求。生成式人工智能技术虽带来新突破，但在实际应用中面临成本效率、全域数据协同、数据隐私与安全以及技术变革应对等诸多难题。 因此，如何通过技术手段，在如下几个子领域完成突破，是持续提升用户体验和产品竞争力的关键： 1、策略管理与优化：构建一套智能化系统，实现推荐策略的规范化定义、长期及离线评估、无效策略自动识别与下线，以及相关代码配置的下线； 2、自适应调优与故障诊断：针对推荐系统多样化业务负载，利用大模型能力完成系统及底层组件的参数和配置调优，并探索自适应故障诊断方案，提供全局视角的故障追踪、定位和分析能力； 3、成本与效率平衡：在推荐系统应用生成式技术时，解决模型训练和运行的高成本问题，平衡成本与效率，在有限资源下实现高效推荐； 4、全域数据处理：应对电商等横向全域场景下海量异构数据，提升和保障数据质量与准确性，标准化供给数据给全域推荐模型，并实现低成本跨端服务，同时，确保数据隐私与安全，合规使用数据。

团队介绍：字节跳动推荐架构团队，负责字节跳动旗下相关产品的推荐系统架构的设计和开发，保障系统稳定和高可用；负责在线服务、离线数据流性能优化，解决系统瓶颈，降低成本开销；抽象系统通用组件和服务，建设推荐中台、数据中台，支撑新产品快速孵化以及为ToB赋能。 课题介绍： 随着技术的不断发展和业务场景的日益复杂，推荐系统面临着诸多严峻挑战： 一方面，推荐系统自身的复杂性急剧增加。大量推荐策略不断演进迭代、且系统状态动态变化，但缺乏有效手段自动跟踪评估策略有效性并下线低 ROI 策略，导致系统存在较多低效策略。同时，推荐系统依赖多种基础组件，其复杂负载模型给底层组件参数配置和性能调优带来巨大困难，日常开发迭代中的问题排查等工作消耗大量人力，亟需提升开发效率、降低人力成本。 另一方面，随着电商行业等领域的蓬勃发展，传统推荐系统在多样性、创新性和个性化方面的短板愈发凸显，难以满足用户日益增长的多元需求。生成式人工智能技术虽带来新突破，但在实际应用中面临成本效率、全域数据协同、数据隐私与安全以及技术变革应对等诸多难题。 因此，如何通过技术手段，在如下几个子领域完成突破，是持续提升用户体验和产品竞争力的关键： 1、策略管理与优化：构建一套智能化系统，实现推荐策略的规范化定义、长期及离线评估、无效策略自动识别与下线，以及相关代码配置的下线； 2、自适应调优与故障诊断：针对推荐系统多样化业务负载，利用大模型能力完成系统及底层组件的参数和配置调优，并探索自适应故障诊断方案，提供全局视角的故障追踪、定位和分析能力； 3、成本与效率平衡：在推荐系统应用生成式技术时，解决模型训练和运行的高成本问题，平衡成本与效率，在有限资源下实现高效推荐； 4、全域数据处理：应对电商等横向全域场景下海量异构数据，提升和保障数据质量与准确性，标准化供给数据给全域推荐模型，并实现低成本跨端服务，同时，确保数据隐私与安全，合规使用数据。

1、用户需求洞察 设计科学的需求洞察路径，深度调研企业员工日常工作场景，挖掘效率瓶颈与体验优化点，转化为可落地的AI产品功能。 2、产品设计与规划 负责企业级AI效率产品的全生命周期管理，围绕员工生产力提升及工作体验优化，设计AI产品核心能力（如智能助手、自动化流程、知识管理、数据分析等）。 3. 产品实施落地 联动技术、算法、设计团队，推动AI产品功能落地，确保最终实施与产品目标对齐。 4. 数据驱动优化 建立产品效果评估体系，持续优化AI产品能力。关注AI伦理与数据安全，设计合规机制保障企业信息隐私。 5. 行业前瞻性调研 跟踪AI领域技术突破，探索其在企业效率场景的创新应用。