滴滴专家算法工程师（保险风险方向）(J241216005)
任职要求
1. 统计，数学，物理，金融，计算机科学或者其他量化背景的理工科专业硕士或博士，或者有相匹配的业界工作经历 2. 熟悉常用的数据分析工具，能独立完成千万规模以上的数据处理工作 3. 熟悉常用的统计模型和机器学习算法，例如LR，GBDT 等，并能结合问题数据集进行算法优化 4. 有良好的跨团队沟通能力，能够与非技术背景人士进行高效，有效地信息沟通，推动横向协作
工作职责
1. 负责滴滴金融保险风险场景的模型设计、建设、开发、应用落地、持续迭代优化，为业务风险指标负责。 2. 拆解业务风险指标，转化为模型指标，并为之设定合理的提升目标 3. 尝试各类特征工程方法，挖掘集团内外部数据，加工生成有效特征，优化模型效果 4. 数据算法创新，了解并跟进业界领先的人工智能和深度学习进展，推动新的技术在风控领域落地
1、负责各业务电话销售/智能客服的算法研发与优化，支撑支付、消金、保险各业务的快速增长，提升用户体验； 2、负责NLP相关的数据挖掘，包括内容理解、情感/舆情分析等算法方向，支持业务增长，推动产品改进。
团队介绍：依托抖音集团的科技能力和产品，我们为抖音电商、生活服务、直播等场景提供金融服务，为抖音用户提供更好的支付、消费金融、保险等金融服务。科技创新，普惠大众。 大模型&NLP算法团队，支持财经各业务场景的大模型/NLP算法，负责包括智能客服、智能助理、智能外呼、客户体验体系建设等财经NLP及对话应用场景的建设。通过财经领域知识结合生成式大模型、检索增强生成（RAG）、文本理解等技术。建设财经领域内行业领先的智能对话能力和自然语言理解能力，提升财经用户体验和保险/消金等场景智能售前/售后的转化率和满意度。 课题背景： 尽管现有的预训练语言模型在通用领域的生成任务中表现出色，但由于训练数据专业性不足和训练任务缺乏针对性，其在财经领域的应用仍存在明显短板。这主要体现在难以准确理解财经领域特有的业务知识，以及生成内容无法符合该领域特定的业务规则等方面。例如，在财经对话场景中，模型由于缺乏业务背景知识，可能会误解用户意图，生成违反业务规则或偏离市场实际情况的回答，甚至生成与财经业务不符的内容，从而导致生成结果的可信度不足。因此，如何通过领域自适应学习、领域动态知识注入以及领域可解释性生成等技术，提升模型对财经领域的理解和生成能力，已成为一个亟待解决的关键难题。 课题挑战： 目前的预训练语言模型主要基于通用领域的大规模文本数据进行训练，但在面对垂直领域的挑战时，尤其是依赖精确市场分析和特有业务背景知识的财经领域场景，仍然面临诸多困难。这些模型在理解复杂领域文本、整合专业知识、完成特定任务推理以及生成可靠的领域文本方面，存在明显局限性。 首先，当前的大规模预训练语言模型在财经领域的业务知识理解和整合方面仍存在明显不足。即便是像 GPT-4 等当前最先进的模型，也未能深入学习和掌握财经领域的业务背景、知识体系以及行业规范，导致其在财经对话场景中难以精准把握用户意图，无法准确理解复杂的业务逻辑和上下文关联关系。此外，这些模型缺少领域专家知识的监督机制，生成的文本容易出现业务逻辑错误和事实偏差，甚至违反财经领域特定的业务规则。因此，如何构造针对财经领域的自适应训练任务，增强模型在财经领域的知识理解能力，已成为亟待解决的关键问题。 其次，财经领域高度依赖动态更新的市场信息，而当前的大规模预训练语言模型难以快速适配动态更新的领域知识。由于预训练阶段知识的滞后性，这些模型无法在对话中提供对用户有价值的实时分析与建议。因此，如何改进领域知识注入和动态知识学习的训练方法，提升模型在财经对话场景下快速适应新知识的能力，是大模型快速迁移垂直领域的急迫需求。 最后，现有生成式人工智能在财经对话场景中的透明性和可解释性方面仍显不足，用户难以清晰了解模型生成过程及其依据，导致生成结果特别是在涉及市场预测或投资策略等高风险场景时的可信度受到质疑。因此，如何提升文本生成的透明性和可解释性，提升文本生成可信性，是大模型正式投身生产应用的关键卡点。
1. 行业解决方案设计与交付 - 基于阿里云大模型技术（如通义千问），为银行、保险、证券等金融客户量身定制AI大模型解决方案，覆盖AI财富助手、智能客服、智能风控等核心场景。 - 深入理解客户业务痛点，提供从需求分析、技术选型到方案落地的全流程支持，确保大模型技术与金融业务深度融合。 2. 大模型全生命周期技术赋能 - 主导客户侧大模型后训练（Post-training）、领域微调（Domain-specific Fine-tuning）、模型蒸馏（Distillation）及多模态融合优化，提升模型在金融垂直场景的精度及性能。 - 优化大模型训练与推理性能，包括分布式训练加速（如DeepSpeed、Megatron-LM）、显存优化、量化压缩（INT8/FP16）及低延迟推理部署（如vLLM、SGLang）等。 3. 工程化落地与性能调优 - 解决金融场景高并发、高稳定性需求，设计高性能计算架构，优化模型在GPU/TPU集群的训练效率及端到端推理链路。 - 结合金融行业数据隐私与安全要求，设计符合监管的模型部署方案。 4. 客户技术赋能与生态共建 - 面向客户技术团队提供大模型技术培训、实战工作坊及POC验证，推动AI能力在客户内部的规模化应用。 - 沉淀金融行业大模型最佳实践，输出白皮书、案例研究及标准化解决方案，提升阿里云在金融AI领域的市场影响力。
1、负责蚂蚁消金相关数据治理相关项目的落地和推进； 2、负责金融同业、用户运营、机构服务，财务管理等领域数据解决方案的设计与开发； 3、负责协调处理日常业务中的各类消金数据问题，提出完善建议，推动产品、运营等相关团队实施。