社招职位

1. 贷后对话智能分析与复盘系统建设 主导贷后场景下对话分析与复盘算法的设计与落地。基于业务场景定制的ASR语音转文本模型，将座席每日全部通话转化为结构化文本；融合NLP模型与LLM+智能体架构，对通话进行深度语义分析与多维度评估，涵盖沟通流程、客户情绪、异议处理、策略执行、合规表现、成交推进等维度。逐通对话输出优点、待改进点及优化建议，自动总结最值得保持和最需要提升的关键能力，帮助主管从"听录音"升级为"看洞察"，快速完成高质量复盘。 2. 优秀话术挖掘与智能推荐引擎研发 构建优秀话术挖掘与推荐系统。结合案件画像、客户特征、沟通过程等多维特征，从海量历史通话中智能匹配处理效果最佳的相似案例，自动定位关键对话片段，解析优秀座席的话术策略与成功原因，输出可复用的沟通模板与策略建议，帮助新人快速学习、复制优秀经验，实现从"发现问题"到"解决问题"的能力提升闭环。 3. 合规质检与风险防控 基于正则模型+NLP模型+大模型+智能体三模融合架构，构建通话的智能合规质检能力。内置监管规则库，实时检测违规话术并自动标记，对委婉式违规、跨节点复杂对话中的隐性违规进行深度研判，有效降低合规风险。 4. 模型持续优化与业务价值闭环 持续跟踪LLM前沿技术，结合业务反馈数据迭代优化对话分析模型的效果，推动算法从实验室到生产的高效落地与价值闭环。 基本条件： 硕士及以上学历，计算机、人工智能、自然语言处理等相关专业，博士优先；5年以上NLP/大模型/文本挖掘算法研发经验 精通Python，熟练使用PyTorch/TensorFlow等深度学习框架，熟悉LangChain等Agent开发框架 深入理解NLP核心算法（意图识别、情感分析、NER、文本摘要、多轮对话管理），有大规模文本数据处理与挖掘经验 熟悉大模型微调技术（SFT、RLHF/DPO）与Prompt工程，有Qwen、ChatGLM、DeepSeek等开源模型调优经验 核心能力要求： 必须具备海量文本数据挖掘与分析经验，能够从非结构化文本中高效提取结构化知识与洞察 有对话分析、智能质检、语音交互、话术推荐等相关项目落地经验（不限行业） 加分项（按优先级排序）： 有贷后管理/资产保全场景的对话分析、智能复盘系统落地经验者优先 有客服/电销场景的对话分析、话术挖掘、智能质检经验者优先 熟悉语音技术栈（ASR、TTS）及语音-文本多模态融合者优先 有顶会论文发表（ACL/EMNLP/AAAI等）或知名大模型应用产品落地经验者优先 特别说明： 纯贷后管理背景的人才稀缺，我们更看重底层NLP与大模型算法能力+海量文本挖掘经验，业务背景可入职后快速补齐。 智能决策算法专家 北京 全职 互联网 / 电子 / 网游 智能决策算法专家/高级专家 岗位职责 1. 贷后智能分案系统设计与开发 主导公司大模型项目在贷后管理场景的算法落地，设计并开发贷后智能分案系统。通过采集多源数据，利用大语言模型对非结构化文本数据进行深度语义分析，构建债务人画像向量（还款能力、还款意愿、风险等级、沟通偏好等维度），同时结合结构化数据特征，建立座席能力画像（历史业绩、擅长案件类型、沟通风格、合规表现等），实现贷后案件到人工座席的精准匹配。 2. 智能分案策略设计与迭代 设计AI辅助与人工作业的人机协作与分案机制，推动从传统规则分案向模型智能分案升级。构建基于多任务学习框架的分案策略预测模型，结合逾期阶段分层与用户画像驱动的动态决策引擎，输出最优分案建议并通过任务队列自动分配，提升作业效率、节省运营人力。 3. 反馈学习与模型迭代闭环 建立基于业务结果数据的闭环学习系统，持续采集分案效果数据（回收率、投诉率、案件处理时长等），驱动分案模型的自我优化和持续迭代。 4. 系统架构与工程落地 负责分案系统的算法架构设计，协同工程团队搭建场景化算法评估体系，保障模型从离线实验到线上生产的高效部署与稳定运行。 任职要求 基本条件： 硕士及以上学历，计算机、数学、统计学、人工智能等相关专业，博士优先；5年以上机器学习/推荐算法/NLP算法研发经验 精通Python，熟练使用PyTorch/TensorFlow等深度学习框架，熟悉LangChain、HuggingFace等大模型工具链 深入理解大模型微调技术（LoRA/QLoRA）、Prompt工程与Agent架构设计，熟悉Qwen、ChatGLM、DeepSeek等开源大模型原理与应用 核心能力要求： 有推荐算法、匹配排序、用户画像或智能调度类项目落地经验，具备从0到1搭建个性化匹配系统的能力 具备较强的业务抽象能力，能够将业务问题转化为建模任务 加分项（非必需）： 有金融风控、贷后管理、智能客服等领域经验者优先 有消金/互金行业从业背景者优先 大模型训练工程专家 成都 全职 互联网 / 电子 / 网游 大规模分布式训练系统架构与优化：负责设计、搭建和维护千卡级别的高性能分布式训练集群。深入优化分布式训练框架（如DeepSpeed、Megatron-LM、PyTorch DDP/FSDP），解决大规模训练中的计算、通信、存储瓶颈问题，提升训练效率与稳定性。 模型训练全流程管理：主导从数据预处理、模型加载、训练启动、监控告警到Checkpoint保存与恢复的全流程。针对训练过程中出现的Loss异常、梯度爆炸/消失、模型不收敛等问题进行快速定位与修复。 硬件与算力适配：针对GPU计算芯片进行底层算子优化、通信库调优（如NCCL），最大化硬件利用率。 训练框架与工具链开发：开发或改进内部训练框架、任务调度系统、资源管理系统和自动化运维工具，提升团队研发效率。参与开源社区（如PyTorch、TensorFlow）的贡献，保持技术领先性。 前沿技术探索与落地：跟踪并研究MoE（混合专家模型）、序列并行、张量并行、流水线并行、重计算、ZeRO优化等前沿技术，并将其工程化落地到实际训练任务中，持续降低训练成本、缩短训练周期。 1 搜索