算法工程师

作为算法工程师，你将负责公司核心业务场景下的算法建模与优化工作。我们不追求实验室里的完美指标，我们追求在真实业务约束下（如算力成本、延迟、数据噪声等）的最优解。你的职责包括： 业务建模与实现：深入理解业务需求，将其转化为数学问题，并利用机器学习（ML）或深度学习（DL）技术完成从特征工程、模型构建到参数调优的闭环。 全链路落地：负责算法在生产环境的工程化落地。这包括模型压缩/量化、高性能推理接口开发，以及上线后的 A/B Test 指标跟踪。 算法演进与迭代：根据线上真实反馈（Bad Cases），持续优化算法策略。解决模型退化、样本不均衡、特征漂移等真实世界中的工程难题。 数据闭环建设：参与构建企业级自动化数据标注、清洗和样本管理流水线，提升算法迭代效率。 技术攻关：针对业务中的性能瓶颈（如高并发下的推理延迟、超大规模数据训练等）提出技术解决方案。

1. 核心准入条件 落地经验：具备 1-3 年 在企业真实业务场景（非学校实验室）中从事算法研发的工作经验。需提供具体的落地案例及业务收益数据。 学历背景：计算机、数学、统计学或相关专业本科及以上学历。 编程功底：精通 Python 或 C++，具备优秀的工程代码习惯。能够编写高性能、可维护的生产级代码，而非仅限于实验脚本。 2. 技术要求 (ML/DL) 算法基础：深入理解常用机器学习算法（XGBoost/LGBM、LR、SVM 等）及深度学习架构（CNN、RNN、Transformer 等）的适用场景与优缺点。 框架熟练度：熟练掌握 PyTorch 或 TensorFlow 其中之一；熟悉 Scikit-learn、Pandas、NumPy 等基础工具包。 工程化能力：熟悉常用的模型服务化框架（如 NVIDIA Triton, TorchServe 或 Flask/FastAPI 封装）；了解 Docker 容器化部署。 数据能力：精通 SQL，能够高效从海量数据库中提取、清洗并构建特征。熟悉 Spark/Flink 等大数据处理框架者优先。 3. 加分项 具备大规模分布式训练经验或推荐系统、广告搜索等高并发场景落地经验。 在模型推理加速（如 TensorRT、TVM）方面有深入研究和实践。 对前沿技术（如 大模型微调、强化学习落地）有实际企业项目经验。 4. 软素质 业务洞察：能够跳出算法看业务，理解算法对业务价值的贡献点。 解决问题能力：具备极强的调试（Debugging）能力，能独立排查训练过程中的收敛问题或生产环境的异常波动。