快手用户研究分析师 -【安全合规方向】

1、需求收集与分析：熟悉并关注国内外主流云服务提供商现状和演进路线，通过系统化的方法做动态和优劣势分析；深入了解技术文档协作或售后与备案等业务流程，收集并分析用户反馈，识别核心需求和问题，定义产品需求；跨部门沟通协调，与TW（文档工程师）、售后、客服、合规、技术和数据等团队紧密合作，确保需求的完整性与准确性； 2、产品规划与设计：结合云计算发展趋势及火山引擎业务方向，对平台长期演进设计产品PRD和关键架构，规划产品路线图和产品核心竞争力，推动平台规划落地，创新能力达到行业领先；定义和贴近平台客户、并理解客户需求，结合平台规划，归纳和抽象转化成平台能力； 3、根据市场需求和变化，合理安排迭代推动需求的落地，并确保平台的易用性、安全性及合规性；定义平台维度业务指标体系，通过指标对应的核心业务流程和数据治理持续提升，要求核心指标可度量、产品价值可预期； 4、项目管理与实施：推动跨部门合作，确保负责的产品和系统功能按时上线；跟踪产品从开发、测试到上线的全生命周期，确保高效交付，及时解决开发及上线过程中的各类问题； 5、监控与反馈分析：通过数据监控和分析，评估产品的运营表现及用户满意度，分析业务流程中的关键指标，提出优化方案；定期关注市场趋势及产品动态，适时调整产品定位及功能设计，增强平台竞争力；及时跟进业务系统的日常问题，处理反馈意见，提升平台可靠性和客户满意度。

我们是大安全基础安全部，负责守护蚂蚁集团数据安全，并对抗内外部网络威胁。我们专注于企业核心数据资产保护与安全治理，保护用户及商家的数据安全。在数据全生命周期防护、防勒索、攻防演练、资产认知、威胁情报等领域具有深厚积累，致力于构建自主可控的数据安全防护与治理体系。 我们在基础安全领域站在行业前沿，一直引领行业能力标准与最佳实践经验，利用大数据、AI技术持续变革和创新安全运营体系。团队里有顶尖的攻防、算法与平台技术大拿。加入我们，与我们共同定义AI时代的新一代数据安全防护体系。 作为大模型数据安全领域的奠基者，从理论到实践打造下一代AI安全标准，引领行业发展方向，具体包括： 1. 突破传统安全边界，构建跨模态、多Agent交互环境下的全新安全模型，前瞻性定义AI系统安全的关键指标与评估体系； 2. 构建Agent时代的数据治理框架，确保从训练到推理全生命周期的数据合规与安全，构建AI应用可信环境； 3. 对抗安全与鲁棒性强化，研究大模型在不同模态下的安全对齐技术，解决幻觉、越权与越界行为等核心挑战，提升模型在复杂攻击下的稳定性。

隐私计算部门位于蚂蚁国际技术的创新前沿，是一个由多学科专家组成的精英团队，致力于在严格保护用户和数据隐私的前提下，推动数据的有效利用和价值释放。我们鼓励团队成员跨越传统边界，与国内外顶尖学术界、产业界伙伴紧密合作，共同探索隐私计算领域的最前沿技术与应用。在这里，你将有机会参与国际级的项目，面对全球市场的多样性和复杂性挑战，为实现数据安全流通、促进全球经济包容性增长贡献智慧，为蚂蚁国际的全球用户及合作伙伴提供安全、高效、合规的数据处理和分析解决方案。 1. 负责密码学前沿技术跟踪和创新预研，进行隐私计算高性能、高精度、通用化方面的的基础研究； 2. 负责将隐私计算技术应用于现实问题，面向场景优化的密码算法和系统； 3. 跟踪、探索隐私计算方向前沿技术，并适时进行技术分享、专利申请和学术文章发表； 4. 通过行业深度洞察以及前膽性思考，探索前沿技术、预研新场景，引导行业标准制定以及打造全球领先的行业品牌心智。

团队介绍：字节跳动推荐架构团队，负责字节跳动旗下相关产品的推荐系统架构的设计和开发，保障系统稳定和高可用；负责在线服务、离线数据流性能优化，解决系统瓶颈，降低成本开销；抽象系统通用组件和服务，建设推荐中台、数据中台，支撑新产品快速孵化以及为ToB赋能。 课题介绍： 随着技术的不断发展和业务场景的日益复杂，推荐系统面临着诸多严峻挑战： 一方面，推荐系统自身的复杂性急剧增加。大量推荐策略不断演进迭代、且系统状态动态变化，但缺乏有效手段自动跟踪评估策略有效性并下线低 ROI 策略，导致系统存在较多低效策略。同时，推荐系统依赖多种基础组件，其复杂负载模型给底层组件参数配置和性能调优带来巨大困难，日常开发迭代中的问题排查等工作消耗大量人力，亟需提升开发效率、降低人力成本。 另一方面，随着电商行业等领域的蓬勃发展，传统推荐系统在多样性、创新性和个性化方面的短板愈发凸显，难以满足用户日益增长的多元需求。生成式人工智能技术虽带来新突破，但在实际应用中面临成本效率、全域数据协同、数据隐私与安全以及技术变革应对等诸多难题。 因此，如何通过技术手段，在如下几个子领域完成突破，是持续提升用户体验和产品竞争力的关键： 1、策略管理与优化：构建一套智能化系统，实现推荐策略的规范化定义、长期及离线评估、无效策略自动识别与下线，以及相关代码配置的下线； 2、自适应调优与故障诊断：针对推荐系统多样化业务负载，利用大模型能力完成系统及底层组件的参数和配置调优，并探索自适应故障诊断方案，提供全局视角的故障追踪、定位和分析能力； 3、成本与效率平衡：在推荐系统应用生成式技术时，解决模型训练和运行的高成本问题，平衡成本与效率，在有限资源下实现高效推荐； 4、全域数据处理：应对电商等横向全域场景下海量异构数据，提升和保障数据质量与准确性，标准化供给数据给全域推荐模型，并实现低成本跨端服务，同时，确保数据隐私与安全，合规使用数据。