字节跳动行业研究实习生-国际支付
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…
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。
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,建立国际支付产品和能力,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、深入理解业务需求,利用SFT、RLVR、AgentRL等多种后训练技术,优化智能催收、智能客服等场景下信息抽取、意图分类、工具调用等多种模型的效果,提升业务效果上限; 2、密切跟进LLM领域最新研究成果,积极参与新业务的探索研究,结合对业务场景的充分理解,寻找最佳解决方案。
ByteIntern:面向2027届毕业生(2026年9月-2027年8月期间毕业),为符合岗位要求的同学提供转正机会。 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,建立国际支付产品和能力,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、开发并优化Prea、A、B等信贷PD模型; 2、推动用户行为序列、消费能力、欺诈特征挖掘,推动自有数据、三方数据的特征体系建设; 3、熟悉大模型调优,通过大模型挖掘用户的行为特征,并完成画像体系建设; 4、利用深度学习算法能力,解决跨国家、跨地区的通用模型建设,做到全球视角下的模型开发; 5、研究前沿机器学习算法在领域的实践和应用。
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。