【核心職責(zé)】
架構(gòu)設(shè)計(jì)與演進(jìn)：
主導(dǎo)推薦系統(tǒng)整體數(shù)據(jù)架構(gòu)設(shè)計(jì)（離線/實(shí)時(shí)），負(fù)責(zé)從數(shù)據(jù)采集、清洗、特征計(jì)算到在線服務(wù)的全鏈路技術(shù)選型。
搭建企業(yè)級(jí)特征平臺(tái)（Feature Store），解決特征一致性問(wèn)題（Online/Offline訓(xùn)練一致性），支持高維稀疏特征的高效存儲(chǔ)與檢索（Redis/HBase/RocksDB）。
搭建模型PS訓(xùn)練框架，支持模型分布式訓(xùn)練。
搭建模型服務(wù)平臺(tái)，支持模型高效快速部署。
實(shí)時(shí)流計(jì)算引擎：
基于 Flink/Spark Streaming 構(gòu)建實(shí)時(shí)特征計(jì)算引擎，實(shí)現(xiàn)用戶行為（點(diǎn)擊、觀看、互動(dòng)、關(guān)注、付費(fèi)等）的秒級(jí)反饋與模型實(shí)時(shí)更新。
解決實(shí)時(shí)鏈路中的數(shù)據(jù)亂序、丟包、 Exactly-Once 語(yǔ)義保障及反壓處理。
工程效能與AB實(shí)驗(yàn)：
搭建或二次開(kāi)發(fā)AB實(shí)驗(yàn)平臺(tái)，負(fù)責(zé)流量分層、正交實(shí)驗(yàn)設(shè)計(jì)。
建立全鏈路監(jiān)控體系（Data Quality Monitor），自動(dòng)攔截臟數(shù)據(jù)，防止“特征穿越”和樣本偏差污染模型。
性能優(yōu)化與成本控制：
針對(duì)海量數(shù)據(jù)Join、Shuffle、GC等進(jìn)行極致的性能調(diào)優(yōu)（Spark/Flink參數(shù)調(diào)優(yōu)）。
負(fù)責(zé)存算成本優(yōu)化（如混合部署、Spot實(shí)例利用、冷熱數(shù)據(jù)分層存儲(chǔ)）。
組織建設(shè)：
建立Code Review機(jī)制，推動(dòng)工程標(biāo)準(zhǔn)化（CI/CD, 單元測(cè)試）。

【任職要求（必須項(xiàng)）】
背景要求：計(jì)算機(jī)/軟件工程本科及以上，3年以上大數(shù)據(jù)/分布式系統(tǒng)經(jīng)驗(yàn)，至少2年推薦/廣告/搜索系統(tǒng)工程落地經(jīng)驗(yàn)。
核心技術(shù)棧：
計(jì)算引擎：精通 Spark/Flink 原理及源碼，有大規(guī)模集群（100+節(jié)點(diǎn)）調(diào)優(yōu)經(jīng)驗(yàn)。
存儲(chǔ)/中間件：精通 Kafka（分區(qū)策略/高可用）、Redis（集群/持久化）、HBase/ClickHouse/Doris（OLAP查詢優(yōu)化）。
編程語(yǔ)言：精通 Java/Scala，熟練掌握 Go 者優(yōu)先。
特征工程能力：深刻理解推薦算法中的特征工程，有實(shí)際落地 User Profile / Item Embedding / Real-time Feature 存儲(chǔ)服務(wù)的經(jīng)驗(yàn)。
架構(gòu)能力：熟悉微服務(wù)架構(gòu)，有高并發(fā)系統(tǒng)設(shè)計(jì)經(jīng)驗(yàn)，懂得緩存穿透、降級(jí)熔斷、限流策略。
數(shù)據(jù)敏感度：對(duì)數(shù)據(jù)質(zhì)量有強(qiáng)迫癥，理解統(tǒng)計(jì)學(xué)原理，能通過(guò)數(shù)據(jù)分析發(fā)現(xiàn)系統(tǒng)瓶頸。

【加分項(xiàng)】
有從0到1搭建 Feature Store 的實(shí)戰(zhàn)經(jīng)驗(yàn)（不僅僅是用，而是懂原理）。
熟悉 Kubernetes / Docker，有基于 K8s 的大數(shù)據(jù)/AI 云原生平臺(tái)開(kāi)發(fā)經(jīng)驗(yàn)。
深入理解 深度學(xué)習(xí)推薦模型（如Wide&Deep, DIN, Transformer）的訓(xùn)練與推理流程，能優(yōu)化TensorFlow Serving/Triton Inference Server性能。
有技術(shù)博客、開(kāi)源項(xiàng)目貢獻(xiàn)。