小红书交易智能审核质量运营

1、质量管理体系搭建与优化制定并迭代客服及审核团队的质量评估标准、流程和工具，确保符合业务目标与用户体验要求，建立数据驱动的质量监控机制(如质检规则、抽检比例、评分模型等)，推动全流程闭环管理； 2、问题诊断与改进通过数据分析(如客户投诉、服务录音、审核工单等)定位审核&服务质量管理短板，输出改进方案并推动落地。主导跨部门协作(如运营、产品、技术)，优化业务流程与系统工具，降低质量风险； 3、质量运营与能力提升设计质量提升体系，协同培训团队输出针对性课程，提升一线人员服务技能与合规意识。定期输出质量分析报告，为团队提供改进建议与管理层决策支持； 4、技术工具应用推动智能化质检工具(如大模型质检分析、文本挖掘、自动检的落地，提升质检效率与覆盖率，推动质检工作台改造和质检功能优化一体化方案输出； 5、合规与风险管理确保客服及审核流程符合行业监管要求(如消费者权益保护、数据安全)，建立风险预警机制。

1、高效承接并处理抖音电商平台内的各类申诉、举报、报备业务，确保流程合规、操作精准，严格把控处理时效与质量，维护平台的公平交易环境与良好秩序； 2、深入分析日常申诉、举报、报备业务数据，敏锐发现上游业务策略中存在的问题，通过数据可视化、案例分析等方式形成详细报告，并积极与相关策略团队沟通协作，推动策略优化与完善，提升平台整体运营效率与体验； 3、持续关注业务数据和成本数据，运用数据分析工具与方法，挖掘数据背后的潜在价值，寻找业务流程、资源配置等方面的优化空间，制定并实施针对性的优化方案，实现降本增效的目标； 4、紧跟智能化发展趋势，积极探索人工智能技术在申诉、举报、报备业务中的应用场景，如推动人工审核向智能审核的转变，参与智能审核模型的构建与优化，提升审核的准确性、效率和公正性，引领行业智能化发展潮流。

1.装备开发：负责美团骑手配送装备开发：进行头盔/载具箱的功能设计、样品开发、测试验证、成本优化到最终定款，了解行业标准，包括材料、工艺、功能等。以骑手为中心，基于骑手和场景需求，进行装备的安全性、功能性、舒适性和性价比等维度的迭代升级，提升骑手体验；制定满足不同场景下装备的解决方案，扩大装备使用规模，引领行业标准；为品类供给规模负责。 2.供应链管理：通过平台模式，熟悉并掌握生产制造的相关流程和关键节点，进行供应链管理，负责寻源选商、生产和质量管理，制定技术标准和生产计划，跟踪管理库销数据，保证量产供给的及时性和质量；为供给稳定的相关指标负责。 3.商家运营：管理商家在平台的日常销售和交易交付运营，审核商品信息，培训考核包括供给、服务、响应和运营，提升商家服务水平和综合能力；为商家服务相关指标负责。 4.内部合作：自主承接内部跨部门合作的开发、生产、交付、体验全流程管理；积极推动各部门工作，并严格把控各季时间节点及流程运作，保障多业务场景装备需求，助力业务发展。

团队介绍：广告业务原为商业产品与技术部门，为抖音集团的商业变现提供广告产品与技术，负责端到端大型广告系统建设，覆盖抖音、今日头条、西瓜视频、番茄小说、穿山甲等产品矩阵，践行"激发生意新可能"理念，致力于让营销更省心、更高效、更美好，推动商业的可持续增长，让不分体量、地域的企业及个体，都能通过数字化技术激发创造、驱动生意。连接广告主、用户及生态伙伴、成为开放共赢的全球最佳智能营销平台之一。在这里，你将投身建设面向未来的数字营销能力，接触到全球先进的商业产品架构、模型和算法，在互联网广告行业始终创新。 课题背景： 随着人工智能技术的快速发展，大模型技术在交易与广告场景中的应用日益广泛，已成为推动行业创新和效率提升的重要驱动力。大模型凭借其强大的学习能力和泛化性能，在多个领域展现出显著优势。例如，推荐大模型能够精准捕捉用户偏好，提升个性化推荐效果；AIGC（AI-Generated Content）技术可用于广告创意、商品图片和视频生成，大幅降低创作成本并提升内容质量；广告投放诊断系统和诊断助手帮助优化投放策略；智能客服、影片智能剪辑、智能导购、大模型审核、用户序列建模以及多模态广告和用户理解等应用，则通过自然语言处理、多模态数据融合等技术，提升用户体验和业务效率。 然而，交易与广告场景对大模型系统的要求极高，不仅需要模型具备出色的精度和泛化能力，还需在实时性、稳定性、可扩展性等方面满足严苛标准。特别是在大规模分布式训练、推理加速、异构硬件支持、多模态数据处理以及系统集成等方面，存在诸多技术难点。因此，针对交易与广告场景研发和优化大模型系统，不仅是人工智能技术发展的前沿方向，也是行业应用的迫切需求。本课题旨在通过系统和工程领域的深入研究，突破关键技术瓶颈，构建高效、稳定、可扩展的大模型解决方案，为交易与广告场景提供强有力的技术支撑。 课题挑战： 1、大规模分布式训练加速：大模型训练需处理海量数据和高复杂度计算，导致训练耗时长、资源需求大。如何优化分布式训练架构，提升数据并行、模型并行和流水线并行的效率，是首要技术难题。 2、推理加速和性能优化：交易与广告场景对实时性要求极高，如广告投放需毫秒级决策。如何在资源受限环境下通过模型压缩和推理引擎优化实现快速推理，是关键挑战。 3、异构硬件支持：大模型需适配多种硬件平台。如何实现高效部署和负载均衡，确保跨硬件精度一致性和高性能，是技术难点。 4、编译优化：编译优化是过程复杂，如何开发高效编译器，优化长尾/灵活模型或结构在不同Accelerator执行效率并减少延迟，是亟待解决的问题。 5、Agent工程：智能客服和导购等应用需构建自主决策的AI Agent。如何设计高效的Agent系统，支持复杂任务执行，是前沿挑战。 6、强化学习框架：强化学习在广告投放优化等场景中潜力巨大。如何构建高效框架，支持大规模环境训练和推理，是研究难点。 课题内容： 1、大规模分布式训练加速技术 1）研究数据并行、模型并行和混合并行算法，优化训练效率； 2）开发自适应负载均衡机制，减少资源浪费； 3）探索梯度压缩和通信优化技术，降低网络开销； 2、推理加速与性能优化方法 1）研究模型压缩技术（如量化、剪枝），减小模型体积； 2）开发高效推理引擎，支持批量推理和异步处理； 3）针对不同Accelerator的架构加速推理过程； 3、异构硬件支持与优化 1）设计通用部署框架，支持多硬件无缝集成； 2）开发硬件感知调度算法，优化任务分配； 3）研究跨硬件模型迁移技术，确保精度一致； 4、编译优化技术 1）深入优化模型编译器，优化长尾场景的计算开销； 2）研究图优化和算子融合技术，减少计算开销； 3）探索动态优化方法，提升运行时效率； 5、Agent工程与实现 1）设计模块化Agent架构，支持任务分解和决策； 2）开发多模态交互技术，提升用户体验； 3）研究Agent训练与评估方法，优化复杂场景性能； 6、强化学习框架构建 1）开发高效强化学习算法，支持多智能体协作； 2）针对交易与广告场景的训练场景优化训练速度，提升迭代效率； 3）探索强化学习在广告投放中的应用，提升决策效果。