蚂蚁金服蚂蚁国际-金融数据开发工程师-Antom
任职要求
1.本科及以上学历，计算机科学、信息技术、数据科学、统计学、金融学等相关专业。 2.精通SQL语言，具备良好的数据库设计与优化经验。熟悉至少一种数据处理工具或编程语言，如Python、R、Java等。了解大数据技术（如Hadoop、Spark等）或云计算平台（如阿里云）的使用。 3.在…
工作职责
1.面向海外电商场景下的金融业务（消费金融/商家金融/保险等），负责数据建模与设计，构建合理的数据库结构，设计并优化ETL流程，确保数据的正确性和高效性。 2.数据提取与转换；负责从各种数据源提取数据，并进行清洗、转换、加载（ETL）到目标数据库。实施数据集成策略，以保证不同数据源之间的兼容性和一致性。 3.数据质量管理：监控数据质量，制定和执行数据校验规则。识别数据问题并实施纠正措施，保障数据的准确性和完整性。 4.性能优化：针对数据库和查询性能进行分析与优化，提升数据处理效率。调优数据存储和访问策略，确保高并发情况下的数据访问性能。 5.数据分析与报告：支持数据分析团队，提供必要的数据支持，协助完成数据分析任务。根据业务需求，设计和生成数据报告。 6.与团队协作：与业务、BIBA及其他相关团队协作，理解业务需求，提供数据支持；参与项目的需求讨论与技术方案设计。
1. 全面把握产品的功能及非功能需求，基于功能需求特性设计质量保障策略。 2. 制定测试计划，设计测试用例和实现自动化，分析测试结果，排查问题和定位根因。 3. 参与产品功能架构设计评审、code review，技术风险评审，把控产品功能的可测性及风险，保障系统的线上高稳定运行。 4. 参与日常线上事件的应急、排查及问题修复，同时基于问题沉淀后续改进方向和措施。 5. 进行测试工具、测试技术、测试平台、产品研发测试过程等方面的创新，提升测试效率及日常事件发现能力。 6. 参与合作伙伴测试体系建设，团队技术规划和相关测试技术平台建设和技术输出。
1. 主导或核心参与至少一个核心海外市场的零售信贷产品（BNPL/现金贷）全生命周期风控策略的设计、实施与迭代。需要对该市场的整体风险表现（如通过率、逾期率、损失率）和资产质量负起核心责任。 2. 深度洞察业务，精准平衡业务增长、用户体验和风险控制三者间的关系，通过数据驱动的方式，为业务决策提供关键风控输入。 智能风控体系建设 (Intelligent Risk System Development): 1. 负责构建和持续优化贷前（准入、授信）、贷中（交易监控、动态调额）和贷后（催收评分、资产处置）的核心策略模块。 2. 深入分析用户行为、交易模式和宏观信用环境，主动识别潜在风险，设计并部署敏捷、自动化的风险应对策略和监控预警体系。 风控模型与数据科学应用 (Modeling & Data Science Application) 1. 驱动信用风险模型的完整生命周期管理，包括但不限于数据探查与清洗、特征工程创新、模型（申请分、行为分、催收分等）的开发、验证、部署、监控和迭代。 2. 不仅限于应用，更需要对各类模型算法（如逻辑回归、GBDT/XGBoost、深度学习等）有一定理解，能根据业务痛点和数据特性，进行算法选型、创新和提出优化建议，并主导A/B测试验证策略和模型效果。 跨职能协作与影响力 (Cross-Functional Collaboration & Influence): 1. 与产品、运营、工程、数据科学和合规团队紧密合作，将风控能力产品化、平台化，提升风控策略的部署效率和 robustnes（稳健性）。 2. 能够将复杂的风控模型和数据分析结果，清晰、简洁地呈现给不同背景的合作方和管理层，并以此驱动决策。 策略规划与方法论 (Strategic Planning & Methodology): 负责定义特定风险领域（如反欺诈、信用评估）的中长期策略规划和技术路线图。沉淀风控方法论，并通过文档、分享等形式赋能团队，指导和培养初级风控分析师。 前瞻性研究与创新 (Forward-Looking Research & Innovation): 探索如图计算、NLP、因果推断等前沿技术在风控领域的应用，发起并领导创新项目，为业务构建面向未来的核心竞争力。
为应对日益复杂的金融欺诈手段和动态变化的信用风险环境，我们正在全面推进风险管理智能化升级。现诚邀一位具备前沿AI技术视野与实战能力的 AI创新算法专家 加入我们的核心团队，主导基于大语言模型（LLM）、多模态大模型等新一代人工智能技术的风险链路重构项目。 你将作为AI技术创新的引领者，推动从传统规则驱动向“感知-推理-决策”一体化智能风控体系的演进，构建覆盖贷前、贷中、贷后及支付全链路的下一代智能风控架构，显著提升风险识别精度、响应速度与自动化水平。 主要职责 1，主导AI驱动的风险链路重构项目：设计并落地基于LLM与多模态大模型（文本、图像、音频、行为序列等）的端到端风险识别系统，重构现有反欺诈、信用评估与支付风控流程。 2，构建智能风险理解引擎：利用大模型对非结构化数据（如客户沟通记录、社交信息、交易描述、证件图像、视频认证等）进行深度语义理解与关联分析，挖掘潜在风险信号。 3，开发自适应风险推理框架：结合知识图谱、因果推断与大模型的推理能力，实现对复杂欺诈模式（如团伙欺诈、身份冒用、场景伪装）的自动归因与可解释性输出。 4，探索多模态融合建模：整合文本、图像、生物特征、设备指纹、行为时序等多源异构数据，构建统一表征空间，提升高隐蔽性风险的检出率。 5，推动AI能力产品化与工程落地：与工程、数据平台及业务团队协作，完成模型部署、A/B测试、性能监控与持续迭代，确保在高并发、低延迟场景下的稳定运行。 6，跟踪前沿技术动态：持续关注大模型、Agent智能体、RAG、Prompt Engineering、小样本学习等技术在金融风控中的应用进展，推动技术预研与创新试点。 7，建立AI风控伦理与合规框架：确保模型设计符合数据隐私、公平性与监管要求，规避偏见与滥用风险。
1. 负责构建和优化信贷风控模型体系，根据金融机构业务需求，设计并开发反欺诈模型、申请评分、行为评分模型等； 2. 深入挖掘信贷业务风险模式，通过对数据的深度分析，识别信用和欺诈风险的模式与变化趋势，完善风控特征体系，持续提升模型性能； 3. 关注并研究机器学习领域最新技术进展，探索并应用前沿算法在智能风控领域，解决信贷场景实际问题，包括但不限于深度学习、大模型、图学习、AutoML等方向； 4. 与业务及产品团队紧密合作，对接国内信贷机构，深入了解其业务需求，设计并实施方案，交付高质量的风控模型产品。