字节跳动
实习机器学习存储架构实习生-Data AML
北京 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 2027届本科及以上学历在读，计算机、软件工程等相关专业优先
- 熟练掌握Linux环境下的C++/Python编程语言的使用
- 掌握分布式系统原理，参与过大规模分布式系统的设计、开发、维护和持续优化，能够识别复杂分布式系统中的潜在问题
- 参与过推荐/搜索/机器学习等分布式系统工作，涉及过诸如资源调度、任务编排、模型训练、模型推理、特征抽取、MLSys、AIOps等内容
- 有优秀的逻辑分析能力，能够对业务逻辑进行合理的抽象和拆分，具备良好的团队合作精神
- 有强烈的工作责任心，较好的学习能力、沟通能力、自驱力和执行力，具备良好的工作文档习惯，及时按要求撰写更新工作流程及技术文档。
- 加分项
- 参与过类似ParameterServer系统优化，或者搜索系统的索引结构优化
- 参与过KVCache类系统（如Mooncake等）开发或优化
- 了解Redis、LevelDB/RocksDB、Mongo等开源存储类项目；或者有HDFS、Ceph等大型分布式存储系统使用/优化经历
- 熟悉机器学习框架（TensorFlow/PyTorch/MXNet）
- 有以下某一方向领域的经验：AI Infrastructure，HW/SW Co-Design，High Performance Computing，ML Hardware Architecture（GPU，Accelerators，Networking），Machine Learning Frameworks，ML for Systems，Distributed Storage。
岗位描述
ByteIntern：面向2027届毕业生（2026年9月-2027年8月期间毕业），为符合岗位要求的同学提供转正机会。
团队介绍：Data AML是字节跳动的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。
- 1、通用性/架构设计取舍：如何构建一个统一的中台系统，但同时可以支持多个业务在不同场景(低成本/高可用性/高吞吐/高性能/大空间)的诉求；
- 2、多级/分级存储的架构复杂度：不仅限于显存/内存/外存；
- 3、跟进前沿的软件/硬件架构演进与尝试；
- 4、作为站内中台，多代际/多机房/多套餐/不同库存大量资源的规划与利用率优化；对于模型规模/服务流量感应后做出的自动/动态调优问题；
- 5、多个子系统的多种目标的优化：训练部分的功能性、可用性、容错性；serving部分的成本、容量、性能；系统同步部分的数据一致性、实效性、带宽容量；
- 6、针对一些索引/存储结构不断追求更优：诸如无锁化/渐进式数据结构的无限追求；对于CAP定理不断的挑战与追求。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。