算法实习生（CTO）-MJ020660

岗位职责（具体工作内容）

参与交通安全风险精排模型的研究与迭代，结合司机驾驶行为、订单、轨迹、道路及环境等数据，提升高风险订单与驾驶行为的识别能力，支撑风险预防与干预。

参与从样本构建、特征挖掘、模型训练到效果评估的完整流程，探索样本不均衡、稀疏风险信号、多源特征融合等问题的解决方案。

探索序列建模、多任务学习等技术在风险精排中的应用，在误报率、干预成本等约束下，提升模型的风险捕获能力与泛化能力。

探索大模型与精排模型的结合，包括行为序列与多模态信息理解、辅助标注、特征增强、知识蒸馏等，验证前沿技术在真实交通安全场景中的应用价值。

与算法、工程及业务团队协作，参与模型上线验证、效果分析与持续迭代，沉淀可复现的实验结论，并结合研究成果参与论文或专利产出。

任职资格（学历、目标院校、语言、技能、性格等要求）

基本要求

计算机、数学、统计学、人工智能等相关专业本科及以上在校生，硕士、博士研究生优先。

具备扎实的机器学习与统计学基础，理解常见分类与排序算法，熟悉 LR、GBDT／XGBoost、深度神经网络等模型的原理与应用。

熟练使用 Python 和 SQL，掌握 PyTorch 等至少一种深度学习框架，具备独立完成数据处理、模型训练和实验分析的能力。

理解模型评估与实验设计，能够围绕 Precision、Recall、PR-AUC 等指标分析模型效果，对样本偏差、数据泄漏与过拟合有基本认识。

对推荐排序、风控建模或大模型应用有兴趣，具备良好的论文阅读、代码实现与问题分析能力，愿意深入业务场景验证技术效果。

具备责任心和良好的沟通协作能力，每周可实习不少于 4 天，连续实习 4~5个月及以上，能够实习 6 个月及以上者优先。

加分项

有推荐、搜索、广告排序或风险识别相关项目经历，熟悉特征交互、序列建模、多任务学习等技术。

有大模型微调、表征学习、多模态建模或知识蒸馏实践，能够设计实验验证大模型对下游预测任务的实际增益。

有不均衡学习、异常检测、概率校准或分布漂移相关研究与实践经验。

熟悉 Spark、Hive 等大数据工具，或有轨迹挖掘、时空数据建模、驾驶行为分析相关经验。

有相关领域高质量论文、竞赛成绩、开源项目或专利成果者优先。