主分类：搜索推荐与业务决策算法研发
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": "机器学习算法工程师-时效表达方向",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "算法"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1、ETA 精准预测：深入研究影响包裹时效的各种因素，构建深度学习和统计模型，为电商物流提供端到端预计到达时间 (ETA) 预测。并结合商家行为/物流网络刻画等因子刻画降低ETA预测的不确定性；\n2、个性化时效表达：构建基于因果推断的 ETA 表达模型， 基于用户画像、历史行为、偏好等数据，构建个性化的 ETA 展示策略和物流服务方案，为用户提供可靠/符合期待的物流服务体验；\n3、因果推断驱动的决策优化：将因果推断应用于表达决策、分单决策等场景，制定更科学合理的决策方案，优化用户体验的同时促进消费者的购买转化；\n4、在线动态决策：研究和开发基于在线优化技术的动态决策方案，做好表达准确率/超时率/不确定性/转化指标/体验指标之间的动态权衡；\n5、包裹轨迹预测与异常检测：利用深度学习、时间序列分析等技术，对包裹的时空轨迹序列进行建模与预测，并结合因果推断识别潜在的异常情况，提前预警并采取干预措施，提升物流履约的稳定性和可靠性。",
"requirements_text": "1、在机器学习 / 因果推断 / 运筹优化 / 供应链物流行业 的某个领域有深入的研究或者经验，有较强的实践能力；\n2、本科及以上学历，数学、统计学、计算机、供应链与物流等相关专业；\n3、具备扎实的数据结构和算法设计基础，熟练使用 Python，并熟悉至少一种深度学习框架（如 TensorFlow, PyTorch）；\n4、熟悉因果推断、强化学习、在线优化等相关理论和方法，并有相关项目经验者优先；\n5、有较强的学习能力和好奇心，逻辑清晰，具备良好的团队合作和沟通能力。",
"skills": [AI生成
"Python",
"PyTorch",
"TensorFlow",
"机器学习",
"深度学习",
"强化学习",
"数据结构",
"算法设计",
"团队协作",
"沟通能力",
"学习能力"
],
"preferred_qualifications": "4、熟悉因果推断、强化学习、在线优化等相关理论和方法，并有相关项目经验者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/experienced/position/7368328595926714651/detail"
}
]
},
"posting": {
"posting_id": "7368328595926714651",
"post_date": "2024-05-13",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/experienced/position/7368328595926714651/detail"
},
"fulltext": "机器学习算法工程师-时效表达方向\n职位描述\n1、ETA 精准预测：深入研究影响包裹时效的各种因素，构建深度学习和统计模型，为电商物流提供端到端预计到达时间 (ETA) 预测。并结合商家行为/物流网络刻画等因子刻画降低ETA预测的不确定性；\n2、个性化时效表达：构建基于因果推断的 ETA 表达模型， 基于用户画像、历史行为、偏好等数据，构建个性化的 ETA 展示策略和物流服务方案，为用户提供可靠/符合期待的物流服务体验；\n3、因果推断驱动的决策优化：将因果推断应用于表达决策、分单决策等场景，制定更科学合理的决策方案，优化用户体验的同时促进消费者的购买转化；\n4、在线动态决策：研究和开发基于在线优化技术的动态决策方案，做好表达准确率/超时率/不确定性/转化指标/体验指标之间的动态权衡；\n5、包裹轨迹预测与异常检测：利用深度学习、时间序列分析等技术，对包裹的时空轨迹序列进行建模与预测，并结合因果推断识别潜在的异常情况，提前预警并采取干预措施，提升物流履约的稳定性和可靠性。\n\n职位要求\n1、在机器学习 / 因果推断 / 运筹优化 / 供应链物流行业 的某个领域有深入的研究或者经验，有较强的实践能力；\n2、本科及以上学历，数学、统计学、计算机、供应链与物流等相关专业；\n3、具备扎实的数据结构和算法设计基础，熟练使用 Python，并熟悉至少一种深度学习框架（如 TensorFlow, PyTorch）；\n4、熟悉因果推断、强化学习、在线优化等相关理论和方法，并有相关项目经验者优先；\n5、有较强的学习能力和好奇心，逻辑清晰，具备良好的团队合作和沟通能力。\n1、ETA 精准预测：深入研究影响包裹时效的各种因素，构建深度学习和统计模型，为电商物流提供端到端预计到达时间 (ETA) 预测。并结合商家行为/物流网络刻画等因子刻画降低ETA预测的不确定性；\n2、个性化时效表达：构建基于因果推断的 ETA 表达模型， 基于用户画像、历史行为、偏好等数据，构建个性化的 ETA 展示策略和物流服务方案，为用户提供可靠/符合期待的物流服务体验；\n3、因果推断驱动的决策优化：将因果推断应用于表达决策、分单决策等场景，制定更科学合理的决策方案，优化用户体验的同时促进消费者的购买转化；\n4、在线动态决策：研究和开发基于在线优化技术的动态决策方案，做好表达准确率/超时率/不确定性/转化指标/体验指标之间的动态权衡；\n5、包裹轨迹预测与异常检测：利用深度学习、时间序列分析等技术，对包裹的时空轨迹序列进行建模与预测，并结合因果推断识别潜在的异常情况，提前预警并采取干预措施，提升物流履约的稳定性和可靠性。\n1、在机器学习 / 因果推断 / 运筹优化 / 供应链物流行业 的某个领域有深入的研究或者经验，有较强的实践能力；\n2、本科及以上学历，数学、统计学、计算机、供应链与物流等相关专业；\n3、具备扎实的数据结构和算法设计基础，熟练使用 Python，并熟悉至少一种深度学习框架（如 TensorFlow, PyTorch）；\n4、熟悉因果推断、强化学习、在线优化等相关理论和方法，并有相关项目经验者优先；\n5、有较强的学习能力和好奇心，逻辑清晰，具备良好的团队合作和沟通能力。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}