機器學習工程師 - Search & Recommendation ML Engineer
碩士或博士學位 （機器學習、人工智能、資料科學或相關領域） 3-5年以上機器學習模型開發經驗 精通Python和機器學習框架（如TensorFlow、PyTorch） 深入了解搜尋和推薦系統架構 具備以下技術的實務經驗： 機器學習演算法 自然語言處理 深度學習模型 特徵工程 大規模分散式系統 PChome 正在尋找一位具備深厚機器學習背景的工程師，專注於語意理解，搜尋、推薦和生成式AI技術。理想的候選人將負責設計、開發和優化先進的機器學習模型，以提升使用者搜尋體驗和推薦準確性。 設計、實現和部署機器學習模型，用於搜尋引擎和推薦系統 開發創新的對話式搜尋解決方案，提升使用者互動體驗 分析使用者行為數據，持續改進搜尋和推薦算法 優化機器學習模型的效能和延遲 與產品、工程和資料科學團隊緊密合作 進行特徵工程和模型實驗 監控模型效能並進行即時調整 技術技能 機器學習演算法：協同過濾、排名模型、推薦系統 深度學習：神經網路架構、注意力機制、知識蒸餾技巧、圖嵌入向量、微調技巧 (PEFT等)、量化壓縮等 自然語言處理：查詢理解、語意相似度 大數據技術：Spark、Hadoop 版本控制：Gitub 資料庫：PostgreSQL、MongoDB 等公司地址:
台灣 臺北市其他:
對話式AI和語意搜尋相關經驗 已發表相關領域的學術論文 開源專案貢獻經驗 熟悉雲端平台（AWS、GCP） 具備多語言搜尋系統開發背景 MLOps 和資料工程實務經驗 MLOps 與資料工程技能 我們期待您精熟或者是熟悉以下不同型態工具的使用 １. MLOps 工具與實踐 模型版本控制與實驗追蹤，例如： MLflow Weights & Biases DVC (Data Version Control) 持續整合與部署 (CI/CD)，例如： Kubeflow Airflow Jenkins GitHub Actions 模型監控與可觀測性，例如： Prometheus Grafana Evidently AI Seldon Core 模型部署平台，例如： Kubernetes Docker KServe SageMaker Vertex AI ２. 資料清整與預處理最佳實踐 資料品質檢查工具，例如： Great Expectations Deequ Pandera ETL 與資料流工具，例如： Apache Spark Apache Beam Prefect Luigi 資料清整技術 異常值偵測 遺失值處理 特徵縮放 編碼分類變數 資料驗證與稽核流程 建立資料血緣關係 確保資料一致性 實施資料治理策略 -2025-01-14