|
|
| |
| |
职位描述 用小程序查看更多 |
|
1、负责设计和实现面向业务场景的机器学习与优化算法系统，包括但不限于：
车货匹配与动态调度：构建实时匹配模型，优化车辆与订单之间的分配效率，提升匹配成功率与用户体验。
排班排线算法：基于时空需求预测，设计司机/车辆排班与路径规划策略，降低空驶率，提高运营效率。
需求预测模型：利用时间序列、回归分析、深度学习等方法，对区域级或品类级服务需求进行短期与长期预测。
动态定价与激励机制：结合强化学习与博弈论，构建动态定价模型，实现供需平衡与收益最大化。
强化学习落地应用：将强化学习（如Q-Learning、DDPG、PPO等）应用于调度决策、资源分配、策略优化等复杂序列决策问题。
2、构建端到端的算法 pipeline，涵盖数据预处理、特征工程、模型训练、评估、部署与监控。
3、与产品、运营及工程团队紧密协作，推动算法在真实业务场景中的上线与迭代优化。
4、跟踪学术界与工业界前沿技术，持续提升算法性能与系统智能化水平。1、3年以上机器学习/智能体/运筹优化相关工作经验，具备独立完成算法设计与落地的能力。
熟练掌握以下至少两个方向的技术与实战经验：
强化学习：有在调度、推荐、控制等场景中成功落地强化学习项目的经验，熟悉Q-Learning、Policy Gradient、Actor-Critic等主流算法。
优化算法：熟悉组合优化、线性规划、动态规划、启发式搜索等方法，能解决大规模排班、路径规划等问题。
车货匹配/出行调度：有在网约车、货运平台、共享出行等领域设计匹配策略的经验，理解双边市场机制。
需求预测：掌握时间序列建模（如ARIMA、Prophet）、回归模型、深度学习（如LSTM、Transformer）在需求预测中的应用。
定价模型：具备基于供需关系、用户行为建模的价格策略设计经验，了解收益管理与动态定价机制。
2、精通 Python，熟悉常用 ML 框架（如 Scikit-learn、TensorFlow、PyTorch），熟悉 Spark/Flink 等大数据处理工具。
3、具备良好的业务理解能力，能够将复杂业务问题转化为可建模的算法问题。
4、有从0到1推动算法上线并产生可量化业务价值（如提升匹配效率、降低空驶率、提高收入等）者优先。 |
|
| |
|
|
| |
|
