滴滴算法专家工程师(J230221006)

1. 基于历史数据和专家经验，基于数据分析和数据挖掘，设计针对信用卡盗刷、余额户盗用、作弊、诈骗等风险的风险策略并持续优化； 2. 体系化、系统化、全局化地设计风险管理方案，平衡支付体验和风险控制，保障业务健康可持续性地发展； 3. 与数据、产品、技术团队深度合作，建设风险引擎中台能力。

这里是滴滴核心的算法团队-用户增长算法，致力于打造集团内部的全域营销平台，负责站外全网用户触达、站内流量分发、全网用户画像建设，以及创新业务算法支持等增长类算法研发。团队肩负集团增长类指标优化的重任，长期致力于通过构建增长类算法与系统建设，沉淀增长底层能力，持续提升投放及流量运营效率，驱动业务增长，创造更多用户价值。 【职位描述】： 1. 负责全网触达能力建设和优化，包括付费渠道(DSP/RTA)和免费渠道，聚焦在oCPX和流量价值预估等核心算法的设计和开发，以实现业务高效增长 2. 负责用户全生命周期的设计以及LTV的预估，推动基于用户生命周期精细化运营和投放 3. 负责全渠道能力建设，探索渠道联动和序列化投放等策略在站外业务的应用 4. 负责增长算法中台的构建，支持业务的过程中沉淀增长底层能力，更高效支持业务产出

1、LLM模型应用落地：参与LLM在搜索内部的应用，探索LLM的创新落地场景； 2、RAG技术研究与落地：参与RAG技术在搜索内部的应用与创新，提升快手搜索智能问答效果； 3、技术优化与创新：持续优化现有的算法技术，推动算法创新，不断业务效果和用户体验； 4、跨团队合作：与产品团队、工程团队和业务团队紧密合作，理解业务需求，将算法技术转化为实际的产品和解决方案； 5、算法评估与改进：负责对算法模型进行评估和改进，提高算法的准确性、效率和可解释性。

1、激光雷达感知算法开发与优化。负责自动驾驶场景中激光雷达感知算法的设计、开发和迭代，包括3D目标检测、点云分割、目标跟踪、可行驶区域识别等。需结合深度学习框架（如PyTorch、TensorFlow）优化模型性能，并完成算法上车部署。 2、前沿技术研究与预研。跟踪国际最新研究成果（如PointNet++、PointPillars、CenterPoint等模型），探索无监督/弱监督学习、强化学习等方向在感知领域的应用，推动技术落地。 3、团队管理与跨部门协作。负责技术文档编写、团队任务分配及进度把控，与系统集成、测试、规划模块工程师协作，确保感知算法与整车系统的兼容性和性能优化。 4、数据管理与模型迭代。主导数据标注规则制定、数据挖掘及模型评测，分析badcase并优化算法性能。需熟悉CUDA、TensorRT等加速工具，提升模型在嵌入式平台的运行效率。