智能决策算法工程师

Job description

设计适配用户、商家、骑手、平台的4方平台分配机制和算法，提升日均6000万订单的履约体验，优化500万骑手的效率和收入。

探索万人万单的超大规模匹配算法

• 针对调度系统内多样的调度决策行为进行分析，包括但不限于过滤、压单、指派、推荐、改派等，基于模仿学习、强化学习等方法对已有的调度决策行为端到端建模，使用PyTorch/TensorFlow等深度学习框架进行模型训练与迭代，持续提升调度效果；

设计平台多角色多目标的决策机制

• 针对调度分单的平台属性，探索场景化的模型预测和多目标决策能力，利用强化学习与多目标优化算法（如帕累托优化）相结合的方法，提升调度决策系统针对不同场景的多目标决策能力；

构建针对海量骑手和商家行为数据的超大模型

• 基于海量骑手的接单、路线规划、取餐和交付数据，以及商家不同场景下的出餐行为数据，使用大模型技术构建适配调度的全链路商家、骑手行为预测模型，为调度决策提供精准信息支撑。
• 优秀的发现问题、调研和创新能力，有决策智能、强化学习、模仿学习等相关方向论文发表候选人优先；
• 熟练使用PyTorch、TensorFlow等深度学习框架，有强化学习或模仿学习实际项目落地经验者优先；有在Kaggle等数据科学竞赛中取得优秀成绩，或GitHub有完整AI/ML项目经历、参与知名开源AI项目候选人优先；
• 具备好奇心和技术驱动的创新抱负，善于利用AI辅助工具提升研发效率。

核心的业务场景

• 全球超大规模即时业务（外卖、闪购、买药等）能够运转的基石，直接影响百万骑手收入和上亿用户体验；

极富挑战的技术问题

• 接触最前沿的调度决策体系，基于调度大规模、强不确定性、高实时性要求，进行最前沿的端到端调度决策研究，业务影响力与研究深度并重；

顶尖的团队水平

• 团队氛围好、研究实力强，团队工作入选2023年Franz Edelman奖（被广泛誉为工业工程界的"诺贝尔奖"），发表多篇顶会论文，在行业内具有国际领先水平；

完善的培养机制

• 会安排高水平的mentor进行指导，注重业务和技术上并重的培养方式，高质量的内外部交流分享机会；

AI前沿的工作环境

• 团队全面拥抱AI时代工作方式，日常研发中深度使用AI辅助工具（如大模型辅助代码开发、AI辅助实验分析与论文写作），技术与工具始终走在行业前沿。