蚂蚁金服研究型实习生-基于大模型的复杂风险审核中跨模态注意力机制的优化研究
任职要求
研究领域： -目前正在攻读计算机科学或相关STEM领域的学士,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： 目前行业应用仍主要依赖单模态的数据（如文本或图像）进行风险审核，这种方式无法充分结合不同数据类型信息进行综合决策，导致审核准确率较低，部分复杂审核规则无法实现。尽管已经有一些跨模态审核研究，但在复杂风险审核场景中的应用仍较为初步，研究和实践中存在较多未解决的问题，如跨模态特征融合的有效性、审核规则的动态调整方式等。
研究领域： 人工智能 项目简介： API作为数据交互核心枢纽面临严峻安全挑战，接口越权、参数注入、逻辑漏洞等风险频发，传统检测方案依赖静态代码规则扫描与动态流量重放测试，难以深度解析业务语义、识别隐蔽攻击链。尤其在处理多语言开发框架、加密协议交互等复杂场景时，现有方法对代码逻辑关联性理解不足，动态测试覆盖路径有限，导致逻辑漏洞漏报率高、业务风险感知滞后。大语言模型虽具备代码结构解析与流量行为推理能力，但单一动/静态分析模式尚未形成互补优势。本项目创新提出动静双维度协同分析框架，通过大模型对API代码逻辑的静态语义解构与流量时序特征的动态意图推理，构建异构数据融合的风险评估范式，为突破API安全检测的精准性瓶颈提供新一代技术路径。
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。
基于意图的网络（Intent-Based Networking）管控和验证系统研发，具体职责包括： 1. 开发大模型驱动的自然语言转意图语言工具，降低网络策略学习与迭代成本； 2. 设计基于LLM的自动化网络变更方案生成系统，替代人工操作，减少错误风险； 3. 构建变更方案智能理解与风险预检工具，辅助运营团队提前规避故障；
研究领域： 机器学习 项目简介： 企业的生产活动高度依赖系统工具（如代码开发平台、日志分析系统、业务流程引擎），而这些系统产生的结构化数据（如代码版本、配置信息）与非结构化数据（如日志、操作记录）本质上是业务活动的数字化映射。直接通过系统数据理解业务行为仍面临三大挑战：首先，数据碎片化导致多源异构信息难以整合为统一的认知模型；其次，业务环境的快速变化使得静态分析模型难以持续有效；最后，传统工具（如统计分析、规则引擎）难以应对复杂场景的跨领域推理与泛化任务。因此，希望通过自动化认知建模与大模型推理，实现对业务活动的持续洞察、风险预测与智能决策支持。