阿里云阿里云智能-行业解决方案架构师（股份制）-新金融行业线（广州/深圳）
任职要求
我们期待您： - 不仅是大模型技术专家，更是金融行业数字化转型的推动者； - 既能深入模型调参，也能站在客户视角设计高价值解决方案； - 对AI重塑金融行业充满热情，愿与阿里云共同定义行业新标准。 职位要求： 1. 核心技术能力 - 硕士及以上学历，计算机科学、人工智能、数学等相关专业，3年以上AI领域解决方案设计、算法或工程研发经验。 - 精通Transformer、LLM等大模型技术栈，熟悉主流框架（PyTorch/TensorFlow）及AI工程化平台（如：阿里云PAI等），涉及AI开发全流程（数据准备、模型开发、训练、部署及推理）。 - 深入掌握大模型关键环节：后训练、Prompt工程、RLHF、模型蒸馏、多任务学习等，有金融领域微调经验者优先。 - 熟悉云原生AI开发（Kubernetes、容器化部署），具备分布式训练、…
工作职责
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. 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。
大模型具备很强的泛化及理解世界能力，在小红书内的众多生产场景遍地开花，大模型的训练和部署已成为许多算法工程师的日常。在多团队、多业务频繁使用的大规模GPU集群上，如何能够通过高效的GPU调度策略，使大家不仅能丝滑地完成训练及部署任务，同时也能充分激发大规模GPU集群的效能，是行业公认的关键挑战。在这里，你可以聚焦LLM场景，接触到超大规模GPU集群，并使用真实负载数据进行深入分析及技术探索。欢迎加入我们，一起探索领先技术改变世界！ 工作职责： 1、负责万卡规模GPU集群效能分析及优化，通过调度策略优化、在离线混部、集群调度、GPU虚拟化、故障快速恢复、存储&网络加速等手段，提升大规模GPU集群的整体使用效率。 2、负责构建面向大模型训练、微调、推理、部署全流程LLMOps，与下游云原生平台深度融合，支撑大模型在公司内各业务生产链路稳定高效地落地。 3、持续关注业界最新的GPU资源调度相关技术动态，探索建设业界领先的资源调度策略及方法，构建下一代大规模AI资源调度系统。
【职位描述】 1、负责小红书搜广推多场景排序模型优化，提升时长、互动、留存等核心指标； 2、分析海量用户行为数据，挖掘用户兴趣，优化排序模型； 3、通过超大规模机器学习模型和系统，使用先进的排序算法优化推荐效果。
滴滴出行国际化金融测试团队，负责核心业务质量保障，包括支付、风控、现金贷、信用卡等业务，团队技术导向，紧跟公司业务，质量保障能力处在行业前沿水平。 1、负责国际化支付系统的核心链路测试架构工作； 2、负责金融域内质量保障体系的构建和实践； 3、参与前线调研，负责前线业务对接，打通国际前线和质量Team信息渠道，消灭认知GAP、赋能国际金融业务 4、通过前瞻性的能力、机制建设， 规避业务质量风险；