平安科技数据产品工程师（投资数据方向）

1、投资数仓架构设计与开发：主导投资领域数据仓库的架构设计与技术实现，包括数据分层、模型设计、ETL流程开发及性能优化；结合投资业务场景（如风险模型、投资组合分析、资产配置等），设计高扩展性、高稳定性的数据架构，支撑实时/离线数据处理需求。 2、投资标签体系开发与建设：负责投资领域标签体系（如投资标签、风险标签）的开发；基于数仓架构实现标签数据的自动化计算与更新，推动标签在投资决策、风险评估等场景的深度应用。 3、数据治理与质量管控：制定数据标准与元数据管理规范，确保投资数据的准确性、一致性及可追溯性；设计数据质量监控体系，通过自动化工具实现数据异常预警与修复。 4、金融数据处理与分析：熟悉金融数据结构（如持仓数据、市场行情、估值核算等），开发高效的数据清洗、转换及聚合逻辑；支持投资决策系统、风控系统等业务场景的数据接口开发与性能调优。 5、技术研究与创新落地：跟踪大数据技术及AI在金融领域的应用，推动数仓架构智能化升级；优化数据存储与计算效率，提升投资模型训练的实时性。

1、针对广告消耗变化情况，建立一套完整的归因分析体系，并从中总结规律，同时密切关注行业竞争态势、流量波动及预算变化等因素，挖掘其中蕴含的收入增长潜力，以此提高流量变现的充分性和效率，为公司创造更大的商业价值； 2、深入参与用户行为分析与理解，建立用户画像分析体系，沉淀用户资产，结合业务目标，能综合体验视角以及转化效率视角，通过精细化的流量策略和投放策略优化，精准匹配广告与用户需求，在满足用户体验的同时，提升客户的投资回报率（ROI），最终达成收入增量的目标； 3、与流量产品和算法工程师紧密协作，构建和完善流量框架等投放链路上下游的关键环节，漏斗分析。借助严谨的实验设计和归因分析方法，结合样式迭代，创意优选，持续推进投放策略的迭代升级，力求实现最优效果。

1. 面向 AGI 的金融数据系统 设计并实现高并发、低延迟的数据管理、数据加工与数据查询引擎，支撑万亿级金融行情与用户行为数据。在存储分层、流批一体、数据质量监控等方向持续优化，为上层 LLM 与分析服务提供可靠的数据底座。 2. 内部 AI‑辅助低 / 无代码数据研发平台 为同花顺大量业务开发团队打造一站式平台，使用自然语言与可视化编排，让业务研发团队通过低代码 / 无代码方式完成金融数据获取、清洗、建模、可视化与上线发布。利用 LLM、Prompt 工程与 Code Copilot，将产品或运营需求快速转化为可落地的数据应用，显著缩短从需求到上线的周期。 3. 下一代 AIGC 金融投资软件 基于大模型与多模态技术，重塑同花顺 PC 与移动端核心功能，为 C 端用户打造智能投资助理。深度融合个性化解读、智能问答、策略生成与可视化，持续迭代 AI 体验并保障线上稳定性。

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。