蚂蚁金服研究型实习生-结构化表格数据建模以及模型自更新相关技术研究

任职要求

研究领域：
-目前正在攻读计算机科学或相关STEM领域的硕士或博士学位
-具有一种或多种通用编程语言的经验,包括但不限于: Java,C/C ++ 、Python、JavaScript或Go
-具有上述研究领域的相关经验,包括行业经验或作为参与实验室研究
优先录用：
-对技术研究充满热情,具有产生新思想和创新的能力; 在自学,问题分析和解决方面表现出色
-在国际会议上或核心期刊发表一份或多份出版物或论文
-至少3个月的全职工作

工作职责

研究领域：
  人工智能
项目简介：
  随着黑产技术的不断演进和变化，传统的资金风控模型每隔一段时间都会面临着显著的性能衰退问题。具体而言：首先，黑产不断尝试新的攻击手段；其次，基于固定时间窗口的数据训练模型容易受到数据分布漂移的影响，导致模型效果随时间推移而下降。同时，使用最新数据进行模型迭代训练时，新模型会忘记老的知识，使得在某些情况下新模型的表现可能不如旧模型，需要在迭代过程中保留对历史风险模式的记忆。因此，如何构建一个能够持续学习，适应风险攻防形势，同时保持对历史风险记忆的风控模型，成为了当前亟待解决的问题。

同时，近期基础大模型能力的不断提升，也给资金风控智能化带来新的机会。除了传统的基于结构化数据的建模可用于线上实时风险识别之外，大语言模型也可以消费更多非结构化数据信息并进行逻辑分析与推理，可以与传统的分类模型互为补充，大幅提升现有风险防控水平。

本项目分两个方向：（1）方向一：将聚焦于持续学习、迁移学习、样本曝光偏差处理、Tabular 数据建模等关键技术方向，预期开发出一种风控模型的自适应学习方案。该方案使得风控模型可以能够在面对不断变化的风险环境时，通过迭代保持高性能和高稳定性，避免性能衰退，更准确地识别和应对新兴的欺诈、赌博、洗钱和盗用等风险行为，减少误报率，提高用户体验，从而提升整体风控识别水平和管控效率；（2）方向二：将聚焦强化学习、监督微调等大模型后训练技术，不断提升大模型在资金风控领域的分析、推理能力，预期开发出一套模型微调方案，能够将风控知识高效注入到大模型当中，最终用于资金风险案例分析与防控。