主分类：搜索推荐与业务决策算法研发
辅助：大模型与生成式算法研发（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "供应链产品技术部-大模型预测算法专家-杭州",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "淘天集团",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "算法研发"AI生成
},
"company": {
"company_name": "淘天集团",
"company_industry": "电子商务",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "淘天集团的招聘业务覆盖淘宝、天猫等电商平台。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "计算机科学、统计学、运筹优化、机器学习、人工智能等相关专业硕士或以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "我们坚信算法是供应链智能化的核心驱动力。团队深度融合机器学习、深度学习、强化学习、运筹优化、大规模仿真、大语言模型（LLM）与多模态大模型（VLM/MLLM）等前沿 AI 技术，在品类规划、需求预测、库存优化、订单履约、物流执行等供应链核心环节构建智能化算法体系，持续推动自动化、智能化升级，为业务创造可量化的效率提升与成本优化。\n在预测与因果推断方向，持续优化算法能力和壁垒，致力于构建业界领先的自研时序预测大模型，将 TSFMs、LLM-based Forecasting 与因果推断深度融合，解决电商供应链中销量预测、新品预测、新品打爆等关键问题，持续提升预测准确率并驱动单量、GMV 与损益等核心经营目标达成。\n岗位职责如下：\n1. 负责淘天海量供应链时序数据的分析与建模，覆盖销量预测、新品预测、S&OP、补货计划等端到端场景，持续提升自营行业预测准确率；\n2. 紧跟时序基础模型（TSFMs：Chronos、TimesFM、MOIRAI 等）与 LLM-based Forecasting（Agentic Forecasting、In-Context Forecasting 等）前沿方向，参与自研时序预测大模型 Tidal-FM 的架构设计、训练范式优化与样本增强，构建预测域深度技术壁垒；\n3. 设计、研发并落地时序预测与因果推断算法，综合运用统计分析、机器学习、深度学习、因果推断等方法，提升预测准确性与业务可解释性，推动可量化的业务价值；\n4. 针对国内超市、跨境供给、Fashion88 等行业特性，构建新品预测、新品打爆（价格/流量/投资因子驱动的因果推断模型）等算法能力，支撑行业单量、GMV 与损益等核心经营目标达成。",
"requirements_text": "1. 计算机科学、统计学、运筹优化、机器学习、人工智能等相关专业硕士或以上学历；\n2. 熟练掌握 Python，熟悉 PyTorch/TensorFlow 等深度学习框架，具备大规模分布式训练与推理经验；熟悉 SQL、Spark/Hadoop/Flink 等大数据处理工具，能高效处理海量电商数据；\n3. 扎实的时序预测基础，熟悉至少一类主流方法：统计模型（ARIMA/Prophet）、深度学习模型（DeepAR、TFT、N-BEATS、PatchTST 等）、时序基础模型（Chronos、TimesFM、MOIRAI 等）；\n4. 熟悉因果推断基础方法，如因果图、工具变量（IV）、双重差分（DID）、因果森林、Uplift Modeling 等；对营销组合建模、价格弹性、促销效应估计、新品冷启动预测有实际项目经验者优先；\n5. 具备业务抽象与建模能力，能够将复杂业务场景分解、抽象为标准化业务模型，并面向业务问题进行算法建模；具备电商、零售、供应链或时尚行业（Fashion/服饰）相关算法经验者优先；\n6. 有将复杂学术成果转化为工业级方案并在真实业务中规模化落地者优先；在顶级会议或期刊发表过时序预测、因果推断、机器学习相关论文者优先；\n7. 热爱算法研发，具备 hands-on 能力，持续关注学术前沿；积极、乐观、向上、皮实，具有较好的团队合作精神，勇于面对挑战。",
"skills": [AI生成
"Python",
"SQL",
"Spark",
"Hadoop",
"Flink",
"PyTorch",
"TensorFlow",
"机器学习",
"深度学习",
"团队协作",
"建模"
],
"preferred_qualifications": "对营销组合建模、价格弹性、促销效应估计、新品冷启动预测有实际项目经验者优先；具备电商、零售、供应链或时尚行业（Fashion/服饰）相关算法经验者优先；6. 有将复杂学术成果转化为工业级方案并在真实业务中规模化落地者优先；在顶级会议或期刊发表过时序预测、因果推断、机器学习相关论文者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.taotian.com/off-campus/position-detail?positionId=100031320003"
}
]
},
"posting": {
"posting_id": "100031320003",
"post_date": "2026-08-09",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.taotian.com/off-campus/position-detail?positionId=100031320003"
},
"fulltext": "供应链产品技术部-大模型预测算法专家-杭州\n供应链产品技术部-大模型预测算法专家-杭州\n\n基础信息\n工作地点：杭州\n\n职位描述\n我们坚信算法是供应链智能化的核心驱动力。团队深度融合机器学习、深度学习、强化学习、运筹优化、大规模仿真、大语言模型（LLM）与多模态大模型（VLM/MLLM）等前沿 AI 技术，在品类规划、需求预测、库存优化、订单履约、物流执行等供应链核心环节构建智能化算法体系，持续推动自动化、智能化升级，为业务创造可量化的效率提升与成本优化。\n在预测与因果推断方向，持续优化算法能力和壁垒，致力于构建业界领先的自研时序预测大模型，将 TSFMs、LLM-based Forecasting 与因果推断深度融合，解决电商供应链中销量预测、新品预测、新品打爆等关键问题，持续提升预测准确率并驱动单量、GMV 与损益等核心经营目标达成。\n岗位职责如下：\n1. 负责淘天海量供应链时序数据的分析与建模，覆盖销量预测、新品预测、S&OP、补货计划等端到端场景，持续提升自营行业预测准确率；\n2. 紧跟时序基础模型（TSFMs：Chronos、TimesFM、MOIRAI 等）与 LLM-based Forecasting（Agentic Forecasting、In-Context Forecasting 等）前沿方向，参与自研时序预测大模型 Tidal-FM 的架构设计、训练范式优化与样本增强，构建预测域深度技术壁垒；\n3. 设计、研发并落地时序预测与因果推断算法，综合运用统计分析、机器学习、深度学习、因果推断等方法，提升预测准确性与业务可解释性，推动可量化的业务价值；\n4. 针对国内超市、跨境供给、Fashion88 等行业特性，构建新品预测、新品打爆（价格/流量/投资因子驱动的因果推断模型）等算法能力，支撑行业单量、GMV 与损益等核心经营目标达成。\n\n职位要求\n1. 计算机科学、统计学、运筹优化、机器学习、人工智能等相关专业硕士或以上学历；\n2. 熟练掌握 Python，熟悉 PyTorch/TensorFlow 等深度学习框架，具备大规模分布式训练与推理经验；熟悉 SQL、Spark/Hadoop/Flink 等大数据处理工具，能高效处理海量电商数据；\n3. 扎实的时序预测基础，熟悉至少一类主流方法：统计模型（ARIMA/Prophet）、深度学习模型（DeepAR、TFT、N-BEATS、PatchTST 等）、时序基础模型（Chronos、TimesFM、MOIRAI 等）；\n4. 熟悉因果推断基础方法，如因果图、工具变量（IV）、双重差分（DID）、因果森林、Uplift Modeling 等；对营销组合建模、价格弹性、促销效应估计、新品冷启动预测有实际项目经验者优先；\n5. 具备业务抽象与建模能力，能够将复杂业务场景分解、抽象为标准化业务模型，并面向业务问题进行算法建模；具备电商、零售、供应链或时尚行业（Fashion/服饰）相关算法经验者优先；\n6. 有将复杂学术成果转化为工业级方案并在真实业务中规模化落地者优先；在顶级会议或期刊发表过时序预测、因果推断、机器学习相关论文者优先；\n7. 热爱算法研发，具备 hands-on 能力，持续关注学术前沿；积极、乐观、向上、皮实，具有较好的团队合作精神，勇于面对挑战。\n我们坚信算法是供应链智能化的核心驱动力。团队深度融合机器学习、深度学习、强化学习、运筹优化、大规模仿真、大语言模型（LLM）与多模态大模型（VLM/MLLM）等前沿 AI 技术，在品类规划、需求预测、库存优化、订单履约、物流执行等供应链核心环节构建智能化算法体系，持续推动自动化、智能化升级，为业务创造可量化的效率提升与成本优化。\n在预测与因果推断方向，持续优化算法能力和壁垒，致力于构建业界领先的自研时序预测大模型，将 TSFMs、LLM-based Forecasting 与因果推断深度融合，解决电商供应链中销量预测、新品预测、新品打爆等关键问题，持续提升预测准确率并驱动单量、GMV 与损益等核心经营目标达成。\n岗位职责如下：\n1. 负责淘天海量供应链时序数据的分析与建模，覆盖销量预测、新品预测、S&OP、补货计划等端到端场景，持续提升自营行业预测准确率；\n2. 紧跟时序基础模型（TSFMs：Chronos、TimesFM、MOIRAI 等）与 LLM-based Forecasting（Agentic Forecasting、In-Context Forecasting 等）前沿方向，参与自研时序预测大模型 Tidal-FM 的架构设计、训练范式优化与样本增强，构建预测域深度技术壁垒；\n3. 设计、研发并落地时序预测与因果推断算法，综合运用统计分析、机器学习、深度学习、因果推断等方法，提升预测准确性与业务可解释性，推动可量化的业务价值；\n4. 针对国内超市、跨境供给、Fashion88 等行业特性，构建新品预测、新品打爆（价格/流量/投资因子驱动的因果推断模型）等算法能力，支撑行业单量、GMV 与损益等核心经营目标达成。\n1. 计算机科学、统计学、运筹优化、机器学习、人工智能等相关专业硕士或以上学历；\n2. 熟练掌握 Python，熟悉 PyTorch/TensorFlow 等深度学习框架，具备大规模分布式训练与推理经验；熟悉 SQL、Spark/Hadoop/Flink 等大数据处理工具，能高效处理海量电商数据；\n3. 扎实的时序预测基础，熟悉至少一类主流方法：统计模型（ARIMA/Prophet）、深度学习模型（DeepAR、TFT、N-BEATS、PatchTST 等）、时序基础模型（Chronos、TimesFM、MOIRAI 等）；\n4. 熟悉因果推断基础方法，如因果图、工具变量（IV）、双重差分（DID）、因果森林、Uplift Modeling 等；对营销组合建模、价格弹性、促销效应估计、新品冷启动预测有实际项目经验者优先；\n5. 具备业务抽象与建模能力，能够将复杂业务场景分解、抽象为标准化业务模型，并面向业务问题进行算法建模；具备电商、零售、供应链或时尚行业（Fashion/服饰）相关算法经验者优先；\n6. 有将复杂学术成果转化为工业级方案并在真实业务中规模化落地者优先；在顶级会议或期刊发表过时序预测、因果推断、机器学习相关论文者优先；\n7. 热爱算法研发，具备 hands-on 能力，持续关注学术前沿；积极、乐观、向上、皮实，具有较好的团队合作精神，勇于面对挑战。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}