Specialist, AI Research

优缺点分析

角色解读

• 在AI研究领域深耕，从研究员成长为技术专家或首席科学家，引领保险业AI应用方向
• 转向技术管理路线，带领AI研究团队，主导企业级AI战略规划
• 跨部门发展，与业务团队深入结合，成为AI产品化或解决方案架构师
• 调研和实验最新的AI/ML模型，特别是大语言模型、多模态模型和RAG技术，探索其在保险业务场景中的应用可能性
• 构建快速原型验证技术可行性，并与数据科学家、架构师协作将成熟方案转化到生产环境
• 关注AI智能体、自主编排等前沿方向，撰写内部研究论文和专利，推动团队技术创新
• 精通Python和主流深度学习框架（PyTorch、TensorFlow、Hugging Face），具备高级编程能力
• 扎实的MLOps工程经验，包括实验管理、模型可复现性、CI/CD流水线、容器化部署（Docker/Kubernetes）
• 深入理解大语言模型、RAG架构、向量数据库等知识，有实际优化经验（微调、蒸馏、量化）

申请策略

• 了解友邦保险数字化转型战略和保险行业AI应用场景，面试中展示你的业务理解能力
• 准备一个完整的项目案例，从问题定义、技术选型、实验过程到最终效果，体现研究-工程闭环思维
• 重点突出在LLM、RAG、模型优化（微调、量化）等方面的项目经验和成果，最好有可量化的指标
• 强调工程能力，如使用Docker/Kubernetes部署ML系统、搭建MLOps流水线的经历
• 列出发表的论文、专利或开源贡献，展示研究和创新能力
• 如果缺乏MLOps经验，建议学习MLflow、Kubeflow、Docker、Kubernetes等相关工具
• 深入掌握至少一个流行大模型框架（如Hugging Face Transformers），并动手实现RAG应用

面试指南

• 对于项目经验问题，采用STAR法则（情境-任务-行动-结果），突出个人贡献和技术难点攻克
• 对于技术方案设计问题，先明确业务目标，然后从数据、模型、评估、部署等环节逐步展开，体现系统思维
• 请详细描述你做过的一个与LLM或RAG相关的项目，包括技术选型、遇到的挑战和解决方案
• 如何评估和比较不同大语言模型的性能？你会选择哪些指标？
• 介绍一下你对MLOps的理解，以及你在研究项目中如何保证实验的可复现性？
• 给定一个保险业务场景（如理赔处理），你会如何设计一个AI解决方案？
• 你对AI智能体和自主工作流有什么看法？目前有哪些技术挑战？
• 复习Transformer架构、注意力机制、RLHF等核心知识，深入理解LLM原理