接受实习生，须连续实习6个月以上。

#### 岗位职责

1. **医疗数据湖仓架构设计与开发**
负责医疗AI数据中台的架构规划与落地，构建基于Hudi/Iceberg/Paimon的湖仓一体体系，实现海量临床数据（结构化、半结构化、非结构化）的高效存储与计算。

2. **医疗多源数据采集与标准化治理**
负责对接医院信息系统（HIS、LIS、EMR、PACS等）及互联网医疗平台，设计稳定可靠的实时/离线数据同步管道（CDC、API轮询、文件解析）。深度参与医疗数据治理工作，包括数据清洗、归一化、主数据管理、数据质量监控与数据血缘追踪，构建标准的医疗临床数据集（CDM）。

3. **面向AI模型的数据工程研发**
与算法团队紧密协作，负责为大模型预训练、微调（SFT）、强化学习（RLHF）及RAG应用提供高质量的数据支撑。构建医疗领域知识图谱的数据底座，开发特征存储平台与样本管理工坊，支撑AI智能体（Agent）的上下文数据检索需求。

4. **实时计算与指标服务平台**
基于Flink/Spark Streaming构建实时患者画像、临床预警指标（如败血症早期预警）的计算服务，为前端业务系统和AI决策引擎提供毫秒级的数据API响应。

5. **性能优化与稳定性保障**
负责大数据任务的资源调度优化与成本治理（如Spark/Flink参数调优、小文件合并策略），保障数据Pipeline在高吞吐场景下的健壮性与数据一致性（Exactly-Once语义）。

---

#### 任职要求

**基本 Qualifications（硬性门槛）**

1. **学历专业**：本科及以上学历，计算机科学、软件工程、数据科学或相关专业，3年以上大数据开发经验。
2. **编程与SQL能力**：**精通Java或Scala**（必须），熟练使用Python进行数据处理脚本开发；**精通复杂SQL编写与性能调优**，具备处理亿级数据表的经验。
3. **计算框架**：深入掌握**Apache Spark**（离线计算与调优）或**Apache Flink**（实时流计算），理解其核心原理（内存管理、Shuffle机制、Checkpoint机制）。
4. **数据湖与存储**：熟悉**Hudi / Iceberg / Paimon**至少一种数据湖表格式，了解其底层原理（如MVCC、Time Travel）。熟悉HDFS、Hive、ClickHouse/Doris、HBase等存储组件。
5. **数据采集与中间件**：熟悉**Kafka**、**Canal/Debezium**等CDC工具，有处理异构医疗数据源（HL7、FHIR、DICOM等协议或格式）经验者尤佳。
6. **数据建模能力**：具备扎实的数据仓库建模理论（维度建模、Data Vault），能独立完成从业务需求到数据模型（ODS→DWD→DWS→ADS）的设计。

**加分项

1. **AI数据经验**：有参与**大模型（LLM）数据工程**的实际项目经验（如数据去重、隐私脱敏、指令数据构建、RAG知识库入库流水线），熟悉**向量数据库**（如Milvus、pgvector）的使用。
2. **医疗行业认知**：熟悉医疗领域术语（ICD-10、SNOMED CT、ATC编码），了解医疗数据隐私法规（如HIPAA、国内数据安全法）并有脱敏实践经验。
3. **云原生与治理工具**：有阿里云/腾讯云/AWS的大数据托管服务（如EMR、DataWorks、Databricks）使用经验，或有数据治理平台（数据地图、数据质量中心）开发经验。
4. **开源贡献**：有大数据相关开源社区贡献或技术博客沉淀者优先。