【核心職責】
架構設計與演進：
主導推薦系統整體數據架構設計（離線/實時），負責從數據采集、清洗、特征計算到在線服務的全鏈路技術選型。
搭建企業級特征平臺（Feature Store），解決特征一致性問題（Online/Offline訓練一致性），支持高維稀疏特征的高效存儲與檢索（Redis/HBase/RocksDB）。
搭建模型PS訓練框架，支持模型分布式訓練。
搭建模型服務平臺，支持模型高效快速部署。
實時流計算引擎：
基于 Flink/Spark Streaming 構建實時特征計算引擎，實現用戶行為（點擊、觀看、互動、關注、付費等）的秒級反饋與模型實時更新。
解決實時鏈路中的數據亂序、丟包、 Exactly-Once 語義保障及反壓處理。
工程效能與AB實驗：
搭建或二次開發AB實驗平臺，負責流量分層、正交實驗設計。
建立全鏈路監控體系（Data Quality Monitor），自動攔截臟數據，防止“特征穿越”和樣本偏差污染模型。
性能優化與成本控制：
針對海量數據Join、Shuffle、GC等進行極致的性能調優（Spark/Flink參數調優）。
負責存算成本優化（如混合部署、Spot實例利用、冷熱數據分層存儲）。
組織建設：
建立Code Review機制，推動工程標準化（CI/CD, 單元測試）。

【任職要求（必須項）】
背景要求：計算機/軟件工程本科及以上，3年以上大數據/分布式系統經驗，至少2年推薦/廣告/搜索系統工程落地經驗。
核心技術棧：
計算引擎：精通 Spark/Flink 原理及源碼，有大規模集群（100+節點）調優經驗。
存儲/中間件：精通 Kafka（分區策略/高可用）、Redis（集群/持久化）、HBase/ClickHouse/Doris（OLAP查詢優化）。
編程語言：精通 Java/Scala，熟練掌握 Go 者優先。
特征工程能力：深刻理解推薦算法中的特征工程，有實際落地 User Profile / Item Embedding / Real-time Feature 存儲服務的經驗。
架構能力：熟悉微服務架構，有高并發系統設計經驗，懂得緩存穿透、降級熔斷、限流策略。
數據敏感度：對數據質量有強迫癥，理解統計學原理，能通過數據分析發現系統瓶頸。

【加分項】
有從0到1搭建 Feature Store 的實戰經驗（不僅僅是用，而是懂原理）。
熟悉 Kubernetes / Docker，有基于 K8s 的大數據/AI 云原生平臺開發經驗。
深入理解 深度學習推薦模型（如Wide&Deep, DIN, Transformer）的訓練與推理流程，能優化TensorFlow Serving/Triton Inference Server性能。
有技術博客、開源項目貢獻。