蔚来安全评估数据研发工程师
任职要求
1. 有精算、应用数学、数据科学、交通、智能辅助驾驶等相关专业教育背景，硕士及以上学历，良好的数据科学所需的数学基础，数据科学相关领域工作经验1-2年左右。 2. 熟悉数据挖掘、数学建模常用任务、主流模型和算法，能够根据原始数据特征和业务需求灵活选用合适的模型并按需对已有模型优化和改造，熟悉数据建模和挖掘的结果验证方法。 3. 能够熟练运用数据挖掘、可视化展示等专业工具，熟练使用商业或开源数据…
工作职责
1. 从预期功能安全（SOTIF）业务角度出发，设计所需的数据回流、清洗、场景标注和提取、关键特征提取等方案，并推进工程化落地与优化，数据类型包括：驾驶辅助驾驶数据、人驾数据等； 2. 采用合适的数学模型、算法，设计并实现安全（Safety）相关数据挖掘、数据建模、统计分析、可视化等工作； 3. 通过对安全（Safety）相关数据的敏锐洞察、特征挖掘、定性/定量分析、数据建模，定位关键问题，挖掘潜在机会，设计方案并落地； 4. 搭建科学的基于数据的安全（Safety）指标体系和分析框架，设计并实现专项的安全数据分析、挖掘、建模与洞察工作，结合安全指标的短期波动和长期趋势进行归因总结，产出洞察决策；
中台稠密引擎组，是小红书负责建设通用深度学习训练推理引擎的团队，面向全公司LLM、多模态LLM、SD、传统CV&NLP等稠密计算型模型训练与推理的业务场景，打造高效、易用、业界领先的训练与推理引擎，为小红书社区、商业化、安全等众多业务方向提供先进的引擎能力，支撑业务持续提升训练推理效率、模型迭代效率与算法研发效率。 1、参与设计和实现深度学习后训练及微调的前沿算法（包括但不限于RFT、RLHF等），以适应多样化的业务场景； 2、结合业务数据和场景，评估选择最适合的微调算法，以支撑业务大语言模型（LLM）微调指标的提升； 3、与数据团队紧密合作，深入理解数据特性，参与设计实现数据提质算法引擎工具，产出高质量数据集提升模型微调效果； 4、与公司内各算法团队深度合作，参与或负责大语言模型、多模态大模型等业务场景的后训练端到端效果提升及落地； 5、密切关注业界 LLM 微调算法和数据提质领域的前沿论文，并整合新技术和算法到训练引擎中，提升框架的领先性；
公司介绍 滴滴于 2016 年组建自动驾驶技术研发部门，致力于打造世界领先的 L4 级自动驾驶技术，通过科技让出行更安全、更高效。我们相信，将自动驾驶技术部署在共享出行车队中，将创造最大的社会价值。依托滴滴在出行领域的 先进技术、海量数据、丰富经验和完整的出行平台生态，我们正在打造并运营世界领先的自动驾驶 Robotaxi 车队，推动自动驾驶在城市复杂交通场景中的规模化落地。 职位描述 作为感知团队的一员，你将与国内外顶尖人才一起，研究和开发自动驾驶领域的前沿算法，直接赋能 L4 Robotaxi 的大规模部署。 你将面向真实城市道路场景中的多样化挑战，利用多模态传感器（LiDAR、Camera、Radar 等）设计、开发并优化感知算法，解决物体识别、障碍物检测、场景理解、意图预测与大模型赋能等核心问题。 在这里，你将有机会： 与中美两地的优秀工程师和科学家合作，参与世界级的技术竞争； 深入研究并推动最前沿的学术成果在产业中的落地； 在全球最大出行平台之一的业务场景中，实现科研成果的规模化应用。 主要方向与职责： 你将在以下方向中选定一个或多个方向深入负责，并承担从研发到落地、从算法到系统的端到端职责： （一）物体识别与跟踪 设计并实现基于 LiDAR / Camera / Radar 的多模态检测模型，识别车辆、行人、自行车、静态障碍物、交通标志等 提升精度、召回率与抗扰性（抗遮挡、夜间、恶劣天气、长尾类别） （二）通用障碍物识别 识别未知类别 /未训练类别的障碍物 基于异常检测 /开放类别识别的算法研究与工程实现 在非结构化环境（施工区域、道路损坏、落物等）中提升鲁棒性 （三）场景和意图理解 语义分割、实例分割、道路 /车道/交通标志/交通灯等结构物识别 场景理解，例如施工区域识别、可通行区域识别等 意图理解，例如行人动作识别、起步意图识别等 交互和事件识别，例如多方交互、交通规则冲突、非规范驾驶行为等 （四）感知大模型 /多模态 探索或应用预训练多模态大模型，将视觉、语言、地图/文本信息融合以增强感知能力 零样本 / 少样本 / 跨域泛化的策略研发 将大模型成果迁移到真实车队感知系统中，提升复杂场景下的鲁棒性 （五）模型评估、验证 构建完整的评估管道，包括离线评估 + 真实道路 + 模拟环境测试，支持回归检测与性能监控 指标体系设计 (Precision, Recall, IoU, latency, false positives rate 等)
1、模型研发与优化： 负责从0到1构建和迭代机器学习/深度学习模型（如：异常检测、图神经网络、自然语言处理、时间序列分析等），应用于恶意代码分类、网络入侵检测、用户行为分析、钓鱼网站识别等具体场景； 2、威胁狩猎与研究： 利用机器学习模型发现未知威胁和攻击模式，参与安全事件的分析与响应，为安全策略的制定提供数据驱动的洞察； 3、大模型智能体的落地：探索大模型结合信息安全领域的应用，如攻击告警自动化处理等； 4、数据探索与特征工程： 深入分析海量安全数据（如日志、流量、恶意样本、威胁情报等），进行数据清洗、特征提取和特征工程，为模型训练提供高质量的数据基础； 5、前沿技术探索： 跟踪学术界和工业界在AI安全领域的最新进展，评估并将有潜力的新技术（如：联邦学习、对抗机器学习、自监督学习等）应用于实际业务，解决诸如样本稀缺、对抗性攻击等挑战。
高级/资深算法工程师（国际支付风控方向），base上海/南京 1.支付风险识别与防控 ●负责跨境电商业务中支付风险的全面识别与防控，重点治理欺诈（盗卡、盗账户 友好欺诈）等方面风险，确保支付全链路安全可靠。 ●利用数据分析和机器学习技术，精确识别支付风险，建立有效的风控模型体系。 2.风控模型全链路管理 ●主导支付风控模型的全链路开发与上线工作，包括需求调研、风险探索、方案设计、模型开发、系统集成、部署上线、效果评估、持续优化和监控预警。 ●与产品、工程、业务团队紧密合作，确保风控模型精准全面覆盖业务场景，并能够及时应对市场变化。 3.前沿技术应用与创新 ●深入探索全球各大市场的新型支付作弊行为，利用多模态大数据进行风险评估与预测。 ●应用异常检测、集成学习、强化学习、序列模型、图模型、大规模预训练模型等前沿技术，提升风险识别的准确率和召回率。