高德地图大模型开发年薪百万，落地大模型自学灯态规律变化
本帖最后由 nettman 于 2024-5-22 07:25 编辑大模型距离我们生活越来越近，它已经悄悄进入我们生活。
01自主学习红绿灯灯态规律变化
大模型落地高德地图，自学红绿灯态规律变化。其用户量达10亿，也就是说大概几亿人，已经在生活中使用大模型。
高德地图之前红绿灯倒计时功能，主要是通过对路口用户行为的理解，比如说启停规律等特征，来分析这些规律去推演出，红绿灯倒计时的规律和状态变化。
现在高德在数据推演的基础上，建立了自己的大模型。通俗的话来说，模型自己学习红绿灯的灯态规律变化，对于这种临时调整的规律变化，识别也更加的灵敏，读秒的准确度和覆盖度，都有了一个双倍的提升。
大模型新融入了部分从交管部门接入的红绿灯的数据，高德自己的硬核黑科技，跟交管部门提供的数据，可以进行相互验证，共同去更好的训练大模型。
总结来说是，用户看到的红绿灯读秒，就更准确了。
02大模型年薪百万高德职位DNA信息分析
高德地图大模型的应用，让我们看到大模型可不止ChatGPT，他们的应用范围非常广，各个行业、领域都有需求，如办公、制造、金融、医疗、政务等场景，后面我们会详细说。
既然高德已经用上大模型，那么他们肯定也是有对应职位的招聘。
想进入高德，需要重视职位分析。
我们之所以不重视职位分析，是因为没有认识到职位分析对于我们面试，起到了“有的放矢”、方向指导的作用。
招聘职位的信息，是我们面试的大纲。通过分析大纲，将抽象的内容，具体化到我们个人的技术、能力、以及行动、语言，这时候我们面试，已经超过70%的人。
下面是2024年5月份正在招聘的职位，如果你想进入高德，那么将会对你有很大的帮助。
因为内容很多，这里只是举例，让大家看看该如何进行职位分析。下面是发布的招聘信息。
我们来看薪酬范围：30K-60K、16薪。
我们来算算，年薪大概48w~96w。
30K*16~60*16=480K~960K
职位DNA信息分析
我们来看看职位描述中，其中关键信息及分析。
1.行业大模型，也就是说高德在布局行业大模型，非通用大模型。
2.销售流程、商家经营、内容生成。这里面有销售、有商家，而高德又是阿里子公司，同时高德也是有自己电商业务的。所以高德应该是在做电商垂直领域大模型。
3.有大模型在销售领域、商家经营领域等应用经验优先。这一信息，无疑是验证了我们的推测，高德在做“电商大模型”。这句话什么意思那，给大家翻译下，“我们在做电商大模型，如果你来应聘最好熟悉电商大模型，但是由于人才紧缺，你不会也没关系，有经验、有能力我们也要”
这三点反映了高德正在布局电商行业大模型，所以我们应该怎么做？我们该如何转化为我们具体的言语和行动，来应聘大模型。
面试前行动，我应该解决如下问题：
1.搜集电商大模型的所有的资料，包括文档、视频等。
2.了解高德业务，了解高德目前电商的业务，目前存在哪些问题。
3.高德如何通过大模型来重构电商业务。
4.如果让我来设计高德电商大模型，我该如何设计，可以带来哪些优化、收益。
5.面试前、面试中了解公司，对高德应用大模型的期望。
6.我该如何搭建、落地高德电商大模型。
如果我们解决了以上问题，这个职位描述至少70%的要求已经满足。
面试中语言应该往哪个方向靠拢，那么我们该如何转化为具体的语言。
我们这里以自我介绍为例：
“你好，我叫张某某，感谢今天能来面试高德地图的大模型职位。我毕业于某某大学计算机科学专业，拥有5年的数据科学和机器学习经验，尤其是在电商领域。
在我的职业生涯中，我曾在阿里巴巴工作，负责多个电商大模型项目。比如，在我领导的个性化推荐系统项目中，我们采用了协同过滤和深度学习算法，将点击率提升了20%。此外，我还开发了一套销量预测模型，利用时序分析和机器学习技术，显著提高了库存管理的效率，减少了15%的库存成本。
我的技术栈包括Python、TensorFlow、PyTorch和SQL，我非常擅长使用Pandas、NumPy和Spark进行大规模数据处理。我有丰富的A/B测试和模型评估经验，能够通过数据驱动的方法优化模型性能。
我对电商业务有深刻的理解，熟悉用户行为分析、精准营销和搜索优化等领域。通过数据分析和模型应用，我曾为公司提供了重要的业务洞察，支持了多项关键决策。
我非常期待能将我的经验和技能应用到高德地图的大模型项目中，帮助提升用户体验和业务效率。希望有机会和团队一起，推动公司的电商业务发展。”
上面我们分析出电商大模型，然后转换为具体的行动和语言。我们也可以分析出其它更多信息。这样我们在面试的时候，就能掌握主动权，把自己的优势展现出来。
有的同学说，那要不是“电商大模型”怎么办？其实只要我们具有“电商大模型”经验，那么我们就会在这次应聘中取得优势。因为电商大模型中，包含职位描述的关键词，如“销售流程、商家经营、销售领域、商家经营领域等应用经验优先”。
所以我们要注重"面试分析"，将它们转化为我们的具体的行为和语言。
03招聘市场大模型年薪百万
大模型目前人才极度缺乏。
我们大模型顶级人才369人，美国1188人。是我们的3.2倍。
我们知道无论是垂直领域，还是端侧开发，未来都需要大量的模型开发者。
由于人才的极度缺乏，我们从招聘平台可以看到，常见年薪百万。
从上面我们可以看到，月薪从20K到110K的区间，也就是年薪大概从20万到110万之间。所以年薪百万实属正常。
我们对大模型开发，大多停留在ChatGPT的认知层面，其实大模型分为大模型开发，小模型开发，特别是小模型开发，更适合我们普通程序员。
下面我们更加进一步介绍大模型的分类、小模型开发者、垂直领域应用场景以及学习大模型的途径。
04大模型应用不同场景下的分类
很多人可能知道，我国的大模型已经处在世界前列。
2024年3月，我们有117个GenAI完成了备案，大模型排名全球第二。
5月份最新统计，目前大模型有244个。点击阅读原文，可查看最新统计。
很多人说的大模型开发，是指通用大模型开发，这个要求比较高，少数人才能做到。然而我们不知道的是，还有小模型开发。
什么是通用大模型，除了通用大模型，还有哪些模型。
首先我们来看看大模型的分类。
1.部署方式：云侧大模型、端侧大模型。
2.应用场景：通用大模型、垂直大模型（行业大模型）。
云侧大模型分为通用大模型和行业大模型；端侧大模型主要有手机大模型、PC大模型。
通用大模型如科大讯飞的讯飞星火认知、百度公司的文心一言大、阿里巴巴的通义千问等。
行业AI大模型如蜜度的文修大模型、容联云的赤兔大模型、用友的YonGPT大模型。
同时具有云侧和端侧大模型的端云结合AI大模型主要有vivo的蓝心大模型；端侧AI大模型主要以蔚来的NOMI GPT大模型为代表。
大模型趋于通用化与专用化，垂直行业将是大模型的主战场；大模型将广泛开源，小模型开发者可调用大模型能力提升开发效率；
行业大模型必将普及，每个公司的知识管理，每个公司的大模型使用，像使用OA一样，成为每个公司必备的软件。公司购买大模型服务，也会成为常态。一些有实力的公司、政府，为了数据安全和隐私，也会开发自己的大模型。
垂直大模型、端侧大模型，需要大量的垂直领域开发者，端侧小模型开发者。
05小模型开发与端侧大模型的关系
前面我们提到小模型开发，什么是小模型开发者？
小模型开发者，指那些开发较小规模AI模型的开发者或团队。这些模型通常轻量化、经过优化，以便在资源受限的环境中运行。
具有模型规模较小，适合在计算资源和存储空间有限的设备上运行。常见的优化技术包括量化、剪枝、知识蒸馏等。
为了在保持模型性能的同时，尽量减小模型的计算和存储需求，以适应端侧设备的限制。
端侧大模型，我们可能理解还是不够清晰。
端侧大模型指那些部署在本地设备（如智能手机、物联网设备等）上的大规模AI模型。这些模型经过优化，可以在端侧设备上运行。
尽管称为“大模型”，但实际上是相对较小的模型，经过优化以适应端侧设备的计算能力和存储空间。这些模型在设计和部署时特别考虑了端侧设备的限制。
为了在端侧设备上提供高性能的AI服务，确保响应速度快，保护用户隐私，并减少对网络连接的依赖。
小模型开发者与端侧大模型的关系
小模型开发者的工作通常是为了支持端侧大模型的部署和应用。
他们通过开发和优化小规模模型，包括减少模型参数、降低计算复杂度和提高能效，确保这些模型能够在计算资源受限的端侧设备上运行，从而实现高效的本地AI处理。尽管端侧大模型在名称上称为“大模型”，但实际上是小模型开发者努力优化后的结果，旨在提供端侧设备所需的高性能AI服务。
06大模型垂直领域应用场景
我们AI大模型产业发展源于多领域的广泛需求，例如来自办公、制造、金融、医疗、政务等场景，实现降本增效、生产自动化、降低风险、提高诊断准确率、提高政务服务效率等诉求。
那么大模型到底在各个领域可以解决哪些具体的问题，产生什么效果，我们具体来看。
1.办公领域
用途：自动化文档生成与编辑
场景：一家法律事务所使用大模型来自动生成合同、法律文件和报告。这不仅提高了文档生成的效率，还减少了人为错误，确保文档的准确性和一致性。
效果：大大减少了律师和助理的重复劳动，使他们能够专注于更复杂的法律事务。
2.智能客服与协作工具
用途：工作日常问答
场景：某大型企业采用大模型开发的智能客服系统来处理员工的日常IT支持请求。系统可以自动解答常见问题，处理简单的IT故障，甚至协助预订会议室和安排日程。
效果：提高了内部沟通效率，减轻了IT部门的负担。
3.制造领域
用途：智能预测与质量控制
场景：一家汽车制造公司使用大模型进行生产线的预测性维护和质量控制。大模型分析传感器数据，预测设备可能出现的故障，并提供维护建议。
效果：减少了设备停机时间，提升了生产效率和产品质量。
4.优化供应链管理
用途：优化供应链
场景：某电子制造公司利用大模型来优化其供应链管理。模型分析市场需求、库存水平和供应商交付能力，提出最佳采购和库存策略。
效果：降低了库存成本，提高了供应链的响应速度和灵活性。
5.金融领域
用途：风险管理与欺诈检测
场景：一家大型银行使用大模型来进行信用风险评估和欺诈检测。模型分析客户的交易数据和行为模式，识别潜在的风险和欺诈活动。
效果：显著降低了贷款违约率和欺诈损失，提高了银行的风控能力。
6.自动化投资顾问
用途：优化投资
场景：某投资公司开发了基于大模型的智能投顾系统，提供个性化的投资建议和资产配置方案。系统分析市场趋势和客户的投资偏好，实时调整投资策略。
效果：提升了客户的投资回报率，增强了客户满意度。
7.医疗领域
用途：医疗影像分析
场景：一家医院使用大模型来分析医疗影像（如X光片和MRI）。模型能够快速识别异常病灶，辅助医生进行诊断。
效果：提高了诊断的准确性和速度，减轻了医生的工作负担。
8.政务领域
用途：智能政务服务
场景：某市政府采用大模型开发的智能政务系统，为市民提供全天候在线服务。市民可以通过系统办理各类政务手续，如申请证件、查询信息和提交投诉。
效果：提高了政务服务的效率和透明度，方便了市民的日常生活。
9.公共安全管理
用途：智能化管理
场景：某地方政府利用大模型分析社会治安数据，预测犯罪热点区域，并部署警力。模型还可以分析突发事件的应急响应策略，提高应对效率。
效果：增强了城市的安全管理能力，减少了犯罪率和突发事件的影响。
07大模型程序员学习途径
如果我们想学习大模型，有很多途径。目前网上的各种资料还是非常丰富的。
1.视频平台
在哔哩哔哩上，搜索“大模型”，我们可以看到各种视频教程，有的视频教程字节跳动（LLM）视频教程748集，视频还是很多样的。
2.书籍
书籍一般来说，可以让我们更加系统的学习。喜欢看书的同学，在购物平台可以看到很多书籍还是很便宜的，十几，二十多块就可以买到。
3.培训
资金紧张的同学，不建议培训。即使培训了，也不见得能拿到offer。如果我们学习能力不错，其实视频教程和书籍足够了。
对于资金富裕，又想节省时间的同学，这时候可以选择培训。
4.GitHub学习
GitHub有很多开源大模型，这里简单列出了一些，更多大家可以搜索。这些项目，可以提升我们的代码能力，当然如果不懂的代码，或者相关问题，我们可以借助ChatGPT来帮助我们解惑。
5.资料搜集
熟悉我们的朋友应该知道，我们是有自己About云社区，目前会员50万+，后面我们也会给大家收集更多资料。
当前资料赠送《2023大模型落地应用案例集》《知识图谱与大模型融合实践研究报告》，价值不算很大，在有些平台下载需要开通会员，需要100元左右，我们免费赠送。
《2023大模型落地应用案例集》文档格式PDF，目录如下。
《知识图谱与大模型融合实践研究报告》文档格式PDF，72页，内容如下。
领取微信w3aboutyun或者扫文章末尾二维码，附上“大模型”。
最新经典文章，欢迎关注公众号http://www.aboutyun.com/data/attachment/forum/201903/18/215536lzpn7n3u7m7u90vm.jpg
https://www.aboutyun.com/data/attachment/forum/202405/11/074514a4q6ll6f6pa6todh.png
页:
[1]