蚂蚁金服研究型实习生-基于医疗大模型的专病/慢病筛诊管一体式Agent框架研究
任职要求
研究领域： 1. 负责医疗大模型的研发和应用，深入挖掘垂直行业、开源以及蚂蚁的海量数据，研究前沿大模型训练和优化方法。 2. 结合医疗行业特性开发可控可信的技术框架与系统，研究面向医疗应用的最佳生成式大模型技术方案。 3. 研究和跟踪前沿技术发展，探索AI助力医疗普惠和智能化的新范式。 要求： 1.目前正在攻读计算机科学或相关领域的硕士或博士学位。 2.具备扎实的机器学习基础和工程化能力，包括机器学习、深度学习、强化学习，实操利用RAG、SFT、RLHF等技术有项目应用经验优先。 3.熟练掌握Python，JAVA等至少一门语言，掌握Tensorflow、Pytorch等至少一个深度学习框架。 4.有大模型开源项目、医疗应用场景实操包括行业经验或作为参与实验室研究优先。 5.有人工智能顶会论文发表者优先。 6.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
工作职责
研究领域： 深度学习 项目简介： 专病/慢性病（慢病）的管理是一个长期、复杂且费用高昂的过程，涉及到疾病的筛查、诊断和治疗管理。2024年9月央视网数据，我国慢性病发病率呈上升趋势，中国慢性病确诊人数为4亿。每年各种因素导致的近1030万死亡中，慢性病占比超80%。慢病管理的核心在于实现全生命周期、全病程的规范化、主动式管理。这通常包括患者入组、疾病评估、治疗方案制定、长期跟踪和随访等环节。例如，上海交通大学团队研发的全球首个面向糖尿病基层诊疗的视觉-大语言模型多模态集成智能系统DeepDR-LLM，能够基于患者个体的临床信息生成精准糖尿病管理意见。
研究领域： 推荐系统 项目简介： 当前医疗信息搜索推荐服务面临三大核心挑战：1）搜索结果与用户真实需求匹配度低（准确性不足）；2）推荐内容缺乏个性化适配（未考虑用户病史、症状特征等个体差异）；3）医疗信息可信度验证机制缺失（存在误导风险）。本项目将融合大规模预训练语言模型、动态知识图谱和医学循证规则，重点突破以下方向： 研究医疗领域大模型精准语义理解与意图识别技术 构建多维度用户画像与个性化推荐算法体系 开发基于医学循证的可信度验证与风险预警机制
自然文本生成是大语言模型在应用落地时最具前景的方向之一，文本摘要、文本扩写和文本润色等能力可以将用户从繁重枯燥的文宇工作中解放出来，显著提高用户的工作效率和行业的生产效率。本项目旨在探索自然文本生成还存在以下若干难题： 1）知识注入的问题：大语言模型需要高质量的数据进行训练，然而现有的通用和行业数据体系的构建相对落后，我们希望通过创新的算法从大量原始的、质量参差不齐的数据中自动挑选高质量数据进行训练，同时通过数据浓度和学习进度的调控平衡大语言模型在各个方向的文本生成能力； 2）知识应用的问题：部分行业如政务、医疗对生成文本的相关度和真实性有很高的要求，然而大语言模型在理解长文本和生成长文本时，存在抓不住重点和生成幻觉的问题； 3）知识评估的问题：文本生成的内容目前仅能依靠人工的方式进行评测，限制了评测的范围和算法迭代的速度。我们希望模型辅助评测的方式，实现半自动乃至全自动的评测。
研究领域： 人工智能 项目简介： 在医疗领域，基于大模型的医学诊疗规划和决策一直面临着医学推理能力弱（医学事实性不足）、依据不足（可信性不足）、精准个性化不够（指导性不足，存在过度医疗的伦理风险）等问题。我们旨在结合先进的大推理模型、海量的医疗数据和专业医学专家的知识，依次完成以下研究和落地： 1. 研究大模型推理理论，建设一批高水平专家 AI 诊断推理智能体。 2. 研究复杂多智能体交互协同框架。 3. 落地面向下一代的自我进化的精准诊疗规划和可信医疗决策系统。
1.负责指令型大模型（LLMs）核心技术研发，包括预训练、垂域SFT、RLHF等 2.负责推理型大模型（RLMs)核心技术研发，包括RL、ReFT等，持续追踪和应用领域最新技术进展； 3.严肃医疗诊疗方向的上限探索，用大模型辅助医学问题解决提效 4. 基于研究成果撰写高质量学术论文，积极参与业界交流活动，建立和维护学术界与产业界的合作关系。