字节跳动
实习AI搜索算法实习生-Data AML
北京 · 实习 · 本科
长期有效
任职要求
- 本科及以上学历在读，计算机科学、软件工程及相关专业优先
- 熟练掌握C、C++、Golang、Java、Python中的至少一种编程语言，具备出色的Coding Skills、Data Structure与基础Algorithm知识，能够灵活运用知识
- 对搜索与大模型的结合方向感兴趣，愿意持续学习新技术、深耕真实业务问题，从负面案例和User Feedback中挖掘系统短板
- 熟悉机器学习、搜索、推荐、NLP、CV中的一个或多个领域
- 有搜索引擎、推荐系统、策略、CV、NLP、语音、LLM、大模型applications、Agent、计算广告等一个或多个相关领域经验优先
- 具备出色的工程能力、Hands-on Skills、架构设计能力、问题分析与解决能力，能够从复杂工程现象中直击问题本质。
岗位描述
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。
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、以AI技术为驱动，打造下一代AI搜索、推荐、Agent应用；
- 2、负责搜索、推荐、Agent的算法优化，包括Query理解、召回、排序、索引筛选、质量评估等方向；
- 3、构建搜索、推荐、问答质量评估体系，包括自动化评估、负面案例分析等，让算法迭代有清晰、可解释的判断依据；
- 4、持续跟进搜索、推荐、Agent、机器学习等方向的技术进展，针对搜索、推荐、Agent业务场景设计简洁&高效的算法。
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。