岗位职责
- 负责 万亿级语料数据 处理体系的设计与优化，涵盖 数据采集、清洗、存储、转换、索引 及分析等全流程建设。
- 设计并优化 超大规模数据管道（ETL），提升网页数据的抽取、转换、加载（ETL） 效率，确保数据高效流转和存储。
- 负责 超大规模分布式数据处理架构 设计，支撑搜索引擎及大模型预训练数据处理需求。
- 研究并优化数据存储、索引及查询架构，提高 语料数据的组织方式，支持大规模 文本、结构化/非结构化数据 的高效检索。
- 研发 高效的数据清洗、去重、质量评估 体系，确保大模型训练数据的高质量输入。
- 与 算法、搜索、模型训练团队 深度合作，提升数据可用性，助力大模型预训练及微调。
- 关注高性能计算，优化数据处理任务的并发执行、计算资源管理，提升计算效率和存储利用率。
职位要求
-本科及以上学历，计算机科学、软件工程、大数据等相关专业，5 年以上大规模数据处理经验。 -精通大数据技术栈，包括但不限于： -计算框架：Hadoop、Spark、Flink、Ray 等，具备流批一体化数据处理经验。 -存储系统：HBase、ClickHouse、Cassandra、Elasticsearch、Iceberg、Delta Lake 等，能够根据业务需求选择最优存储方案。 -分布式消息队列：Kafka、Pulsar 等，优化大规模数据流传输。 -ETL 及数据管道：精通 Airflow、KubeFlow 等数据编排工具，能够高效构建数据流转任务。 -熟练掌握至少一种编程语言（Python、Java、Scala），具备良好的代码优化及系统调优能力。 -深入理解大数据架构设计，具备超大规模数据管道的架构设计与落地经验。 -具备高并发、高吞吐的数据处理经验，熟悉分布式系统一致性、任务调度、计算优化等技术。 -熟悉 大规模网页数据处理，具备 海量非结构化数据的解析、索引优化 经验。 -具备高性能计算和存储优化能力，熟悉数据分片、索引优化、分布式查询加速等技术。 加分项 具备 PB 级别数据处理经验，熟悉 数据湖（Lakehouse）架构 设计，如 Iceberg、Delta Lake 等。 有 大模型语料处理经验，熟悉数据清洗、去重、格式标准化、质量评估等关键环节。 有 搜索引擎、推荐系统、知识图谱 相关数据处理经验者优先。
