Baiduove plate ove godine (jedro za istraživanje i razvoj)

Erge1631 reči5 minuta

Kada se spomene Baidu, šta vam prvo padne na pamet?

Da li je to gospodar ere pretraživača, onaj koji je zaostao u eri mobilnog interneta, ili sada onaj koji juri da uhvati korak u eri veštačke inteligencije?

Iskreno, prema Baiduu imam prilično pomešana osećanja. Kao jedan od najranijih kineskih internet giganta, Baidu je u eri pretraživača zaista bio jak — ući u Baidu tada značilo je biti na samom vrh piramide. Ali u eri mobilnog interneta Baidu je zaista zakasnio za pola koraka, pa su ga pretekli novajlije poput ByteDance-a i Meituana.

Mnogi kažu da je Baidu zaostao, da Baidu više ne može.

Ali kad je ovaj talas veštačke inteligencije stigao, čini se da se Baidu ponovo vraća u igru.

Wenxin Yiyan (ERNIE Bot) i nije prvi objavljen, ali jeste među prvima sproveden u stvarnost. Baidu Cloud, platforma Qianfan i veliki model Wenxin — svi ti proizvodi imaju svoje mesto na tržištu. Odluka Robin Li-a da ove godine krene "All in AI" vidi se već i po obimu zapošljavanja.

Da bacimo pogled na plate za Baiduove pozicije istraživanja i razvoja.

Sakupio sam to u svoju kolonu Java intervju vodič, pa možete pogledati kao referencu (ima još mnogo drugih kompanija).

Prema podacima sa Maimaija i offershow-a, Baiduove plate na kampus-izboru ove godine kreću se ovako:

AIGC inženjer za aplikacije, 25-45k, sa 15-16 plata
Pozicija za razvoj algoritama, 25-50k, sa 16-18 plata
Inženjer za osnovne algoritme, početna plata prelazi 47k, a s godišnjom bonusom godišnji paket dostiže blizu 850 hiljada
Obična razvojna pozicija, 22-35k, otprilike kao prošle godine
AI produkt menadžer, 20-35k, bonus za potpis prema situaciji

Iskreno, kad sam video te brojeve, zastao sam na trenutak. Treba znati da su to plate na kampus-izboru za 2026, a ne za iskusne, niti P7/P8 nivo — to su tek diplomci bez iskustva.

Još juče jedan kandidat javio je radosnu vest: dobio je ponudu iz Baidua preko dopune, kaže da je nakon promene arhitekture proces veoma brzo prošao.

Dobiti ponudu u ovom trenutku — više nemaš razloga za brigu. Sve tegobe jesenje kampanje sada konačno mogu ostati za tobom. Izbegavaš i prolećno mučenje, pa se može reći da je ova ponuda iščupana teško, a opet stigla tačno na vreme.

Pitao sam jednog poznanika koji u Baiduu radi razvoj AI aplikacija (zaštitni oklop: podatak je samo orijentacioni), a njegov utisak je da se Baidu ove godine zaista opredelio na "All in AI", da je HC velik i da — ako ti je tehnika čvrsta — prilika ima mnogo.

Što se tiče ritma rada: radno vreme počinje ujutru u 10, pauza za ručak je od 11:30 do 13:30, večera od 17:30 do 19:30, a odlazak s posla uglavnom između 18 i 19 sati. Doručak od 7:30 do 9:30 je besplatan, a noću od 20:00 do 21:30 besplatna je noćna večera. Dnevni dodatak za ishranu iznosi 20, isplaćuje se krajem meseca, a za one bez Peking prijave i bez pekingske škole postoji mesečni dodatak za stan od 1600.

Za one kojima jesenja kampanja nije donela željene rezultate, prolećna kampanja je sasvim izvodljiva. Baidu i dalje vrši dopunu, što znači da HC još uvek nije popunjen.

Dakle, ako izdržiš do poslednjeg trenutka, preteći ćeš mnoge konkurente.

Nemoj zbog trenutnog neuspeha dopustiti da te slomi i da odustaneš. Traženje posla, kada se sve svede, četiri su stvari:

pisanje i slanje biografije
algoritmi za pismeni ispit i kodiranje uživo
"osam pitanja" (gradivo) i projekti za intervju (uključujući neka scenarijska pitanja)
analiza nakon intervjua i popunjavanje rupa

Da ukratko analiziram za vas.

① Ako ste poslali mnogo biografija, a dosta vas pada, nemojte nastaviti naslepo — možete platiti nekom starijem kolegi ili bivšem apsolventu da vam pregleda biografiju i "izmeri puls".

② Što se tiče algoritama, ako ne ciljate velike kompanije, prioritet se može spustiti; firme koje još uvek zapošljavaju u novembru i decembru uglavnom i ne proveravaju baš tu stavku. Ali za nivo poput Baidua, algoritme ipak treba pripremiti.

③ Što se tiče gradiva, ako ranije niste kuckali standardna pitanja za intervju, zaista vredi probati — provereno deluje.

Adresa: https://javasi.dev/sidebar/sanfene/nixi.html — mikroservisi, obrasci dizajna i Linux takođe su tu.

④ Za projekte, možete raditi nešto iz oblasti veštačke inteligencije, na primer jedan RAG projekat, koji onda "ugladite" kroz naučno-istraživačko iskustvo ili praksu u firmi — to je sasvim primereno.

Put učenja za poziciju razvoja AI aplikacija

Razvoj AI aplikacija obuhvata prilično mnogo sadržaja, a početna težina je znatno veća nego kod uobičajenog web projekta, pa ću vam ovde najpre raščlaniti potrebne teme.

① Osnove Python-a — njih ne možete zaobići. Liste, rečnici i skupovi moraju biti potpuno sveži; naprednije osobine poput dekoratora, generatora i menadžera konteksta moraju biti jasne. Obrada izuzetaka, rad sa fajlovima i konkurentno programiranje takođe spadaju u obavezno znanje.

# primer dekoratora, za računanje vremena izvršavanja funkcije
def timing_decorator(func):
    def wrapper(*args, **kwargs):
        import time
        start = time.time()
        result = func(*args, **kwargs)
        end = time.time()
        print(f"{func.__name__} vreme izvršavanja: {end - start:.2f}s")
        return result
    return wrapper

@timing_decorator
def train_model():
    # simulacija treniranja modela
    import time
    time.sleep(2)
    print("Treniranje modela završeno")

train_model()

② Osnove mašinskog učenja — ne morate rukom pisati SGD, ali osnovne pojmove treba razumeti. Šta je gradijentni spust, šta je povratno prostiranje, šta je overfitting, šta je regularizacija. sklearn treba da umete da koristite, a uobičajene modele poput LR, SVM, Random Forest i XGBoost da pokrenete.

③ Frejmvork za duboko učenje — bar jedan od PyTorch ili TensorFlow. Preporučujem PyTorch, zajednica je živa, a i Baidu ga interno koristi. Operacije nad tenzorima, automatsko izvođenje, konstrukcija modela i petlja treniranja moraju biti tečne. Klasične arhitekture poput CNN, RNN i Transformer moraju se razumeti.

④ Osnove velikih modela — to je jezgro pozicije razvoja AI aplikacija. Šta je Transformer, šta je attention mehanizam, šta je poziciono kodiranje, šta je RLHF. Ne morate od nule da trenirate model, ali treba da znate kako se poziva API, kako se fino-tjUNuje i kako se ocenjuje efekat.

# jednostavan primer RAG implementacije
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS
from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA

# 1. učitavanje i seckanje dokumenata
documents = load_documents("your_data.txt")
texts = split_documents(documents, chunk_size=500, overlap=50)

# 2. kreiranje vektorskog indeksa
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_texts(texts, embeddings)

# 3. izgradnja lanca za pitanja i odgovore
llm = ChatOpenAI(model="gpt-4", temperature=0)
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever(search_kwargs={"k": 3})
)

# 4. upit
answer = qa_chain.run("tvoje pitanje")

⑤ Vektorske baze podataka — RAG ne može bez njih. Milvus, Pinecone, FAISS, Chroma — bar jedna mora biti savladana. Kako se gradi indeks, kako se smeštaju vektori, kako se računa sličnost, kako se radi pretraga — sve to mora biti jasno.

⑥ Prompt inženjering — zvuči prosto, ali ima svojih pravila. Šta je few-shot learning, šta je chain-of-thought, šta je tree of thoughts. Kako napisati upit da model isporuči format koji želite, kako izbeći halucinacije, kako obraditi dugačak tekst — to je sve iskustvo iz prakse.

⑦ Razvoj Agent-a — to je napredni pravac. Šta je ReAct, šta je Function Calling, šta je Multi-Agent. Frejmvorke poput LangChain, LlamaIndex i AutoGPT treba poznavati. Kako naterati AI da poziva spoljašnje alate, kako dizajnirati tok rada, kako obraditi složene zadatke.

Kada ovaj deo savladate, u biografiji to možete opisati ovako:

Na osnovu LangChain-a i FAISS-a implementiran je RAG sistem koji vektorskom pretragom pojačava sposobnost generisanja velikog modela, čime je tačnost porasla sa 65 % na 92 %; Prompt inženjeringom i few-shot učenjem optimizovan je izlaz modela, pa je kompletnost složenih zadataka porasla za 40 %; Function Calling-om omogućena je interakcija Agent-a sa spoljašnjim API-jima i automatizovana obrada korisničkih upita, uz vreme odziva držano ispod 2 sekunde.

⑧ Instalacija i optimizacija modela — kad se model istrenira, tu nije kraj; tek kad se instalira u rad, dobija vrednost. Frejmvorke za izvođenje poput TensorRT, ONNX i vLLM treba poznavati. Tehnike optimizacije poput kvantizacije, odsecanja i destilacije treba znati. I tehnologije kontejnerizacije poput Dockera i K8s treba savladati.

⑨ MLOps — kako nadgledati model u radu, kako raditi A/B testiranje, kako iterirati. Alate poput MLflow i Weights & Biases treba umeti koristiti. Kako detektovati pomeranje podataka i pomeranje koncepta, kako reagovati na degradaciju modela.

Za učenje razvoja AI aplikacija, mišljenja sam da je rad na projektima najidealniji izbor i najrealniji, najbrži put. Izaberite zreo open-source projekat, razumite principe, a zatim ih primenite u sopstvenom scenariju.

Tako stoite na ramenima džinova, a kriva učenja je blaža. Izgradnja potpuno od nule znatno duže traje — može proći bar tri meseca dok se dobije relativno kompletan proizvod, a i tehnička težina je veća, pa je i padova više.

Grubo se može podeliti u tri faze.

Prva faza (1-2 meseca): popravljanje osnova. Python jednom propješljati, pojmove mašinskog učenja proći, s PyTorch-om rešiti MNIST. Jedan jednostavan projekat klasifikacije slika ili teksta, da se čitav proces prođe.

Druga faza (2-3 meseca): bavljenje velikim modelima. Učite LangChain, radite RAG projekat. Učite Prompt inženjering, optimizujete izlaz. Učite razvoj Agent-a, implementirate poziv alata. Izaberite 1-2 scenarija i uđite dublje — na primer pametna korisnička podrška, pitanja i odgovori nad dokumentima, generisanje koda.

Treća faza (3-6 meseci): optimizacija. Učite instalaciju modela, iznesite projekat u rad. Učite MLOps, nadgledajte efekat modela. Učite napredne tehnike, npr. fine-tuning, Multi-Agent, optimizaciju RAG-a. Dorađujte detalje projekta i pripremite se za intervju.

Kad ti je teško, dopusti sebi malo slobode.

Kad ti je telo umorno, legni i odmori.

A kada duh i telo ponovo vrate snagu — samo kreni svom žestinom napred.

lajkuj i prati