字节跳动
校招机器学习MLOps工程师 - 国际化广告SRE
北京 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 2027届获得本科及以上学历，计算机、软件工程相关专业
- 具备业务运维经验；具备扎实的计算机软件开发基础知识，精通Linux操作系统、网络、存储等相关原理
- 熟悉一种或多种编程语言，包括但不限于Python/Golang/Java/C等
- 具备较强的分析和解决问题能力，有强烈的责任心，良好的学习能力、沟通能力和自驱力，良好的团队合作精神
- 有分布式系统的运维和资源管理经验。
- 加分项
- 有机器学习系统SRE经验
- 有广告、推荐、搜索业务SRE经验或云平台SRE经验。
岗位描述
团队介绍：国际商业化产品与技术团队支持字节跳动国际短视频业务的广告产品与变现技术，我们负责end2end的大型广告系统建设，为客户提供商业推广方式与方案，覆盖字节跳动海外所有用户产品。站点可靠性工程师（SRE）负责建设高效、稳定的大规模、全球分布式广告系统，保障广告投放、数据、机器学习等系统的可靠性，优化系统架构，提升系统资源效率，构建自动化平台，保障广告系统持续稳定运行。
- 1、负责字节跳动全球广告系统下机器学习系统的稳定性工作，保障机器学习模型从数据、开发、训练、部署、推理、监控等环节的稳定高效运行；制定机器学习模型线上推理系统的SLO，保障线上推理系统的稳定运行；保障机器学习模型离线训练任务的稳定运行，持续提升训练任务成功率；
- 2、负责机器学习模型相关机器资源的管理与规划，保障资源匹配迭代需求，通过性能优化持续提升GPU/CPU利用率；负责机器学习新框架和新GPU的适配，主导规模化部署，保障业务效果持平；
- 3、负责机器学习相关MLOps平台开发，包括Quota管理、任务诊断、监控、资源管理等。
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。