京东 SQL数据分析计算代码的生成实现与应用

参与主站消费基础体验的智能优化探索落地，包括但不限于以下工作： 1. 客户端代码实现：与团队成员一起参与快手主站客户端代码开发，包括但不限于体验策略、性能优化、稳定性优化等；编写高质量的代码，确保线上App的稳定性、高性能； 2. 数据pipeline建设：参与相关模块的数据产出开发，满足数据分析与策略迭代诉求； 3. 实验数据分析和策略制定：参与分析线上数据，根据对实验数据的拆分与下探判断实验运行现状。基于数据现状，参与优化策略的制定与模型训练迭代； 4. 智能提效工具开发：利用大模型，参与完成客户端相关模块排障与数据分析提效工具开发。

1. AI技术融合与优化：将人工智能技术，特别是大语言模型(e.g. DeepSeek , OpenAI, Qwen)，融入公司业务团队的开发测试流程，提升产品研发效率和质量。 - 自动化工具开发：开发AI辅助工具，如代码审查工具、自动测试用例生成工具、性能瓶颈分析工具等，提高研发测试的自动化程度。 - 数据处理与分析：利用大模型和AI工具处理大量研发测试数据，包括代码、测试用例、测试执行日志等，优化数据处理流程。 2. AI知识库系统构建 - 知识库设计：设计和构建高效、准确的AI知识库系统，支持业务部门的专业知识生成和服务。 - RAG系统开发：构建和优化RAG（Retrieval-Augmented Generation）系统，实现从知识库中快速准确地检索相关信息，并生成高质量的业务文档和回答。 3. AI辅助工具平台开发 - 工具平台设计：设计和开发AI辅助工具平台，提供统一的接口和工具集，支持多种AI应用。 - 用户支持：为业务部门提供技术支持，确保AI工具平台的稳定运行和高效使用。 4. 技术解决方案制定 - 技术选型：根据项目需求，选择合适的大模型和技术框架，确保技术选型的合理性。 - 架构设计：设计系统的整体架构，确保系统的可扩展性、可维护性和高性能。 - 数据处理策略：制定数据处理策略，确保数据的准确性和一致性，优化数据流和存储方案。 5. 项目管理和团队协作 - 需求分析：与业务部门紧密合作，理解业务需求，提供技术解决方案。 - 项目管理：跟踪项目进度，确保按时交付高质量的AI系统。 - 团队协作：与团队成员协作，分享知识和经验，推动团队整体技术水平的提升。

1.产品研发: 负责公司AI产品的设计与开发，确保产品的高性能和高可用性。 2.技术调研与应用: 持续关注和调研最新的AI技术，评估其应用潜力，并将其引入公司AI产品中。 3.业务需求分析: 与产品经理和业务团队紧密合作，理解业务需求并转化为技术实现方案。 4.代码优化和性能调优: 对现有系统进行性能分析和优化，提升系统的响应速度和稳定性。 5.技术指导: 为团队成员提供技术指导和支持，推动团队技术能力提升。 6.文档编写: 撰写相关技术文档和开发规范，确保项目文档的完整性和准确性。 7.项目管理: 协调项目进度，确保按时按质完成开发任务。

1、负责代码、文本、多模态等数据的合成技术的研究与开发，运用大模型和先进算法，生成高质量、多样化的合成数据，扩充数据规模与多样性，满足大模型训练需求； 2、对大模型训练数据进行深入分析，运用统计学、机器学习等方法挖掘数据特征和规律，识别数据中的噪声、偏差和潜在问题，为数据合成、标注和质量过滤提供数据洞察和优化方向； 3、研究并实现高效的数据自动标注算法，结合自然语言处理、计算机视觉等技术，开发自动化标注工具和流程，提升标注效率和准确性，降低人工标注成本； 4、设计并优化数据质量评估指标和过滤算法，建立数据质量监控体系，对原始数据、合成数据和标注后的数据进行全面质量检测和筛选，确保输入大模型的数据真实、准确、合规； 5、持续跟踪行业前沿数据技术动态，对现有数据处理算法和流程进行优化升级；产品、工程等团队紧密协作，推动数据处理技术在大模型研发和应用中的高效落地。