京东自动化专家
任职要求
1、本科及以上学历，工科专业，机械、电子、自动化、物流、信息、工业工程等专业优先；
2、具备5年以上自动化仓库运营与规划经验，尤其在电商，服装，零售，医药等自动化物流中心有运营管理，中控，系统等方面运营经验。至少具备以下一个设备运营经验：AS/RS，箱级立库，机器人，分拣机，输送线，AGV，自动打包机等自动化设备的经验…工作职责
1、负责京东物流的自动化项目方案，导入，运营管理工作； 2、方案制定与导入：分析各种业务场景，寻找符合公司长期规划的自动化解决方案，包含规划，选品，ROI测算，运营落地方案制定，并负责项目导入； 3、日常监控与运营管理：负责监控公司自动化仓库的运营状况，确保稳定运营，及时发现以并指导和协助设备组处理异常故障，保证运营正常； 4、运营优化：定期分析运营状况，进行运营策略，设备策略方案优化，包含不限于需求分析，技术创新，流程优化； 5、安全保障：分析自动化运营中各种安全隐患，包含数据安全，人身安全，以及运营保障安全； 6、协调与沟通：理解运营团队的需求，在内部进行协调，组织内外部供应商合作，并组织好会议，工作以及待办事项沟通； 7、培训与文档：对内部运营团队，区域自动化/设备团队进行方案，运营方法轮培训，提升用户的使用能力与效率。
我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 1、参与设计实现支持RLHF/DPO等对齐技术的高效训练框架，优化强化学习阶段的Rollout、Reward Model集成、多阶段训练 Pipline； 2、研发支持多机多卡 RL 的分布式训练框架，开发TP/PP/ZeRO-3与RL流程的动态协同机制，解决 RL 算法在超长时序下的显存/通信瓶刭 3、构建端到端后训练工具链，主导框架与 MLOps 平台集成，提供训练可视化、自动超参搜索等生产级能力 4、与公司各算法部门深度合作，参与大语言模型LLM、多模态大模型 MLLM等业务在 SFT/RL领域的算法探索和引擎迭代； 5、参与分析各业务 GPU 利用率与饱和度等指标，结合业务场景持续优化训练框架能力，提升框架领先性。
滴滴出行国际化金融测试团队，负责核心业务质量保障，包括支付、风控、现金贷、信用卡等业务，团队技术导向，紧跟公司业务，质量保障能力处在行业前沿水平。 1、负责国际化支付系统的核心链路测试架构工作； 2、负责金融域内质量保障体系的构建和实践； 3、参与前线调研，负责前线业务对接，打通国际前线和质量Team信息渠道，消灭认知GAP、赋能国际金融业务 4、通过前瞻性的能力、机制建设， 规避业务质量风险；
-数据库质量保证策略设计 -基于数据库内核架构（如事务引擎、存储管理、并发控制等），设计覆盖功能、性能、稳定性、安全性和灾难恢复的综合性测试策略 -针对极端场景（如硬件故障、网络分区、超大规模数据压力）和大事务/高并发场景，构建破坏性测试和压力测试模型 -测试用例开发 -编写自动化测试脚本（如Python/Perl/Shell/C++），覆盖SQL语法、事务隔离级别、锁机制、备份恢复等核心功能 -自动化测试工具以及测试用例管理平台的开发和管理工作。 使用各种测试工具和技术，自动化测试，记录和分析测试结果，并跟踪和验证缺陷 -编写测试报告和文档： 清晰准确地记录测试过程、结果和分析，编写测试报告和相关文档 -设计复杂场景测试用例，例如：极端压力测试：模拟百万级并发事务、TB级数据量下的系统稳定性；破坏性测试：强制断电、磁盘I/O错误注入、内存溢出等异常场景；边界条件测试：验证索引深度、页分裂、日志写满等临界值场景 -性能分析与调优 -使用工具（如sysbench、tpcc、tpch、自定义基准测试）分析查询执行计划、锁竞争、I/O瓶颈 -结合内核日志（如InnoDB redo log、PostgreSQL WAL）定位性能问题，推动优化方案落地 -缺陷管理与协作 -搭建测试环境（含多节点集群、混合负载），复现并跟踪内核级Bug（如死锁、数据不一致） -与开发团队紧密合作，提供Root Cause Analysis（RCA）支持，参与代码审查，提供测试反馈，协助开发人员定位和修复问题，推动内核代码修复 -技术预研与创新 -探索新技术（如向量化查询、持久内存、分布式事务）的测试方法 -开发定制化测试工具（如混沌工程平台、自动化故障注入系统）
1. 根据国际快递的商业模式及业务场景，灵活运用机器学习、运筹优化、仿真等相关算法，以全链路视角，协同上游销售、仓、资源等计划，滚动输出各环节的预测预报包裹量/货量； 2. 在保障预测预报准确率的同时，做好数据运营，及时给出风险预警预判，为各经营/运营单元提供决策支持。 3. 站在全链路运营视角，借助算法工具，分析关键运营参数及策略对全链路计划达成的影响。针对大促及突发场景，设计业务交互机制，建设全链路计划的自动化能力，提升计划产出及运营效率。