盒马盒马-AI产品经理（导购方向）-上海
任职要求
1.具备成功的AI产品经验，有一定用户体量的AI项目经验者优先； 2.主动学习能力突出，深度使用过常见的消费者AI产品和工具，并有独特的个人思考者优先； 3.用户sense强，具备较强的消费者感知和共情能力； 4.具备对话体系和对话策略设计，熟悉多轮对话、RAG、知识推理，有大模型落地应用经验、NLP、智能客服、AI助理等实践经验者优先； 5.计算机科学、人工智能等相关专业优先； 6.强产品规划能力，自驱力强，能结合业务发展阶段制定匹配的中短期方向并落地；
工作职责
主导盒马在线业务的导购链路场景的AI创新探索，聚焦提升用户消费决策的导购助手、服务助手等核心关键方向； 1.用户sense强，具备透过用户行为数据看到消费需求本质的能力； 2.深入了解AI相关知识，能结合零售行业特性和业务场景，设计与之适配的AI产品方案，并通过诊断消费者痛点，协同运营、算法和研发，规划和推进方案落地，并对最终的产品效果负责； 3.独立制定评估标准，具备界定大模型能力可为边界的能力，能通过数据分析、用户调研、产品分析、ABTest等方式，以用户数据为导向做产品决策及流程优化，深入挖掘新的机会点，有效提升业务指标； 4.持续挖掘用户原声数据，不断优化消费者全链路的产品和服务体验没，为用户体验和业务挖掘新的场景和价值。
1、主导抖音电商交易导购场景的AI创新探索，聚焦导购助手、AI试衣等核心方向； 2、以构建超用户预期的体验为目标，结合行业特性与业务场景，设计适配的AI产品方案； 3、诊断业务痛点，制定产品规划并推动落地，协调商家、运营等跨部门资源达成目标； 4、优化迭代效率、沉淀通用能力，协同研发、设计等团队快速推进产品落地。
1. 负责运动户外行业的产品工作，主要是面向商品和导购方向； 2. 通过对品类发展和商家经营模式的洞察，推进行业主推货盘的产品化组织能力，包括扩大行业新品、定制、尖货、专业性品类的供给规模和库存保障； 3. 通过对品类用户需求的洞察，推进品类垂直化导购产品能力建设和效率提升，包括运动鞋服品类的穿搭导购/尺码导购、户外品类的场景化导购/专业性导购等； 4. 整合运动户外内部各行业线的产品需求，明确产品功能与开发节奏，组织与协调中台产技共同推进产品落地，并持续不断优化产品体验； 5. 推动产品功能的数据监控和分析体系，扩大产品功能的使用覆盖度，提升产品效率，为行业带来可量化的明确增量；
1、研究和应用大模型技术，面向电商智能导购、数字人技术等方向，打造服务亿级用户的AI明星产品； 2、结合 LLM 等前沿领域，探索、设计并实现 AI-Native 的数据基建和应用架构，推动团队在AI领域的创新和发展； 3、与产品经理、数据工程师和底座中台研发等角色紧密合作，理解业务需求，制定技术方案，并推动项目的落地和优化； 4、跟进行业最新的AI技术趋势，不断探索和尝试新的技术应用，为电商C端业务带来更多的创新和突破。
团队介绍：广告业务原为商业产品与技术部门，为抖音集团的商业变现提供广告产品与技术，负责端到端大型广告系统建设，覆盖抖音、今日头条、西瓜视频、番茄小说、穿山甲等产品矩阵，践行"激发生意新可能"理念，致力于让营销更省心、更高效、更美好，推动商业的可持续增长，让不分体量、地域的企业及个体，都能通过数字化技术激发创造、驱动生意。连接广告主、用户及生态伙伴、成为开放共赢的全球最佳智能营销平台之一。在这里，你将投身建设面向未来的数字营销能力，接触到全球先进的商业产品架构、模型和算法，在互联网广告行业始终创新。 课题背景： 随着人工智能技术的快速发展，大模型技术在交易与广告场景中的应用日益广泛，已成为推动行业创新和效率提升的重要驱动力。大模型凭借其强大的学习能力和泛化性能，在多个领域展现出显著优势。例如，推荐大模型能够精准捕捉用户偏好，提升个性化推荐效果；AIGC（AI-Generated Content）技术可用于广告创意、商品图片和视频生成，大幅降低创作成本并提升内容质量；广告投放诊断系统和诊断助手帮助优化投放策略；智能客服、影片智能剪辑、智能导购、大模型审核、用户序列建模以及多模态广告和用户理解等应用，则通过自然语言处理、多模态数据融合等技术，提升用户体验和业务效率。 然而，交易与广告场景对大模型系统的要求极高，不仅需要模型具备出色的精度和泛化能力，还需在实时性、稳定性、可扩展性等方面满足严苛标准。特别是在大规模分布式训练、推理加速、异构硬件支持、多模态数据处理以及系统集成等方面，存在诸多技术难点。因此，针对交易与广告场景研发和优化大模型系统，不仅是人工智能技术发展的前沿方向，也是行业应用的迫切需求。本课题旨在通过系统和工程领域的深入研究，突破关键技术瓶颈，构建高效、稳定、可扩展的大模型解决方案，为交易与广告场景提供强有力的技术支撑。 课题挑战： 1、大规模分布式训练加速：大模型训练需处理海量数据和高复杂度计算，导致训练耗时长、资源需求大。如何优化分布式训练架构，提升数据并行、模型并行和流水线并行的效率，是首要技术难题。 2、推理加速和性能优化：交易与广告场景对实时性要求极高，如广告投放需毫秒级决策。如何在资源受限环境下通过模型压缩和推理引擎优化实现快速推理，是关键挑战。 3、异构硬件支持：大模型需适配多种硬件平台。如何实现高效部署和负载均衡，确保跨硬件精度一致性和高性能，是技术难点。 4、编译优化：编译优化是过程复杂，如何开发高效编译器，优化长尾/灵活模型或结构在不同Accelerator执行效率并减少延迟，是亟待解决的问题。 5、Agent工程：智能客服和导购等应用需构建自主决策的AI Agent。如何设计高效的Agent系统，支持复杂任务执行，是前沿挑战。 6、强化学习框架：强化学习在广告投放优化等场景中潜力巨大。如何构建高效框架，支持大规模环境训练和推理，是研究难点。 课题内容： 1、大规模分布式训练加速技术 1）研究数据并行、模型并行和混合并行算法，优化训练效率； 2）开发自适应负载均衡机制，减少资源浪费； 3）探索梯度压缩和通信优化技术，降低网络开销； 2、推理加速与性能优化方法 1）研究模型压缩技术（如量化、剪枝），减小模型体积； 2）开发高效推理引擎，支持批量推理和异步处理； 3）针对不同Accelerator的架构加速推理过程； 3、异构硬件支持与优化 1）设计通用部署框架，支持多硬件无缝集成； 2）开发硬件感知调度算法，优化任务分配； 3）研究跨硬件模型迁移技术，确保精度一致； 4、编译优化技术 1）深入优化模型编译器，优化长尾场景的计算开销； 2）研究图优化和算子融合技术，减少计算开销； 3）探索动态优化方法，提升运行时效率； 5、Agent工程与实现 1）设计模块化Agent架构，支持任务分解和决策； 2）开发多模态交互技术，提升用户体验； 3）研究Agent训练与评估方法，优化复杂场景性能； 6、强化学习框架构建 1）开发高效强化学习算法，支持多智能体协作； 2）针对交易与广告场景的训练场景优化训练速度，提升迭代效率； 3）探索强化学习在广告投放中的应用，提升决策效果。