logo of bytedance

字节跳动行业研究实习生-国际支付

实习兼职A213995地点:北京状态:招聘

任职要求


1、本科及以上学历在读,工商管理、金融专业优先;
2、具有咨询/支付/金融经验;
3、强大的分析和Excel技能;在战略研究、数据建模和业务估值方面经验丰富;具有分析思维,能够将数据转化为可操作的见解和策略,能够解释财务报表;
4、项目管理经验,专注于在动态和快节奏的环境中交付结果;适应跨时区的具有挑战性、灵活和快节奏的工作环境;
5、商务英语流利;
6、每周能保证实习4天及以上,实习时间不低于4个月。

加分项:
1、了解支付行业趋势和新兴技术;
2、金融科技、支付服务提供商、收单银行、发卡或卡网络的经验;
3、产品管理专业知识。

工作职责


日常实习:面向全体在校生,为符合岗位要求的同学提供为期3个月及以上的项目实践机会。
团队介绍:国际支付,立足于为字节跳动国际化业务提供专业的支付和金融服务,专注于全球支付产品线的质量和效率,确保为国际产品提供高度可靠和稳定的服务,建立海外支付产品和能力,同时在高效助力业务快速拓展的同时,打造行业领先的支付和金融产品能力。团队当前所提供的产品和服务,遍布全球多个国家和地区,团队拥有丰富的国际化产品研发经验;同时这里有全球超大规模的支付网络;覆盖多业务场景的海外钱包及金融产品解决方案;围绕分布式一致性、高并发、高可用、资金安全在内的核心技术能力攻坚;LLM等前沿AI技术在支付&金融服务中的探索、研发和应用。另外,我们在全球设立团队,团队同学背景多元,不同的思维方式,打造了一个多元、碰撞、融合、包容的工作环境。我们邀请你来此成长、专研,发掘无限的潜力,一起应对技术和业务以及跨国合作上的挑战,还有跨文化交流机会在等你!

1、支付策略开发:支持区域战略负责人制定全面和前瞻性的支付策略,与公司的整体业务目标和增长目标保持一致;
2、市场重点:北美和拉美;
3、市场研究和分析:分析行业趋势,获取市场和行业见解,以跟上支付领域的行业趋势、市场变化和新兴技术;
4、跨职能协作:与关键利益相关者密切合作,促进跨区域协作;
5、项目管理:支持监督支付相关计划的成功执行,确保项目按时交付。
包括英文材料
学历+
Excel+
相关职位

logo of antgroup
实习研究型实习生

研究领域: 人工智能 项目简介: 支付宝用户行为数据(包括用户的点击浏览页面、账单、APP小程序使用等)的挖掘与建模,在支付宝的搜推广、贷前风控、贷后催收等多项场景中,帮助业务上取得了效果提升。目前业务迭代的方向逐渐聚焦精细化建模,例如针对年轻客群进一步拆分为大学生与低龄学生,白领职业进一步细分为律师、理财师等。针对更加复杂细碎的场景,需要一套统一的用户行为预训练方案,以提供预训练模型与预训练表征的方式,支持下游多种场景,提升建模效率与业务效果。

logo of antgroup
实习研究型实习生

研究领域: 多媒体 项目简介: 在支付宝平台上,存在着海量的帖子、文章、评论、商品信息、社群内容、以及其他各种形式的数字化内容,如何有效地对这些内容进行压缩和表示,是提升信息处理效率和赋能下游应用的关键。现有内容表征方法面临以下挑战: 1. 表征效率低下: 传统方法往往难以有效处理海量内容数据,表征效率较低,计算成本高昂。 2. 表征能力不足: 难以有效捕捉内容中的关键语义信息和上下文关联,表征能力有限,难以满足复杂应用的需求。 3. 通用性差: 现有方法往往针对特定类型或特定模态的内容,通用性较差,难以适应多样化的应用场景。 计划研发研发一种通用和灵活的基于大模型架构的内容表征引擎,能够对海量、多模态内容进行高效压缩和精准表征,为下游应用提供统一、高效的信息处理基础。 - 助力内容认知和理解场景获取更为准确的表征输出 - 支持需要长上下文场景的表征应用 - 提升表征的泛化性、跨领域表征适配能力增强 - 可灵活用于支持各类跨模态、跨domain的表征匹配任务

logo of antgroup
实习研究型实习生

研究领域: 人工智能 项目简介: 生成式搜索是支付宝搜索CY25的重点技术和业务方向,技术挑战是怎么去通过LLM生成高时效、高准确率的的搜索结果。 对RAG、语义召回、语义ReRank、幻觉检测等技术有比较高的挑战。 希望能够引进相关方向的研究型实习生,在生成式搜索相关技术方向上进行课题攻关,进一步提升团队技术能力和技术深度。

logo of antgroup
实习研究型实习生

研究领域: 深度学习 项目简介: 在当今数字经济飞速发展的背景下,支付宝作为全球领先的金融科技平台,其巨大的用户流量形成了丰富且多维的海量流量数据。这些流量数据表示着用户的端内端外行为动线,能够反映出用户的心智偏好或者风险意图。但是目前对于端内流量的认知和盘点严重依赖人工,需要人工发现流量中的问题,并且总结流量表现的行为模式,整个过程费时费力。大模型的横空出世提供了一种通用的流量认知方案,能够识别出用户在端内的行为模式。由于垂类模型优化下,大模型的通用性能常常遭遇极速衰退,因此需要持续学习。