AI算法工程师

优缺点分析

角色解读

• 技术线：从AI算法工程师成长为高级算法专家，在图计算、时序预测、大模型等领域深耕
• 业务线：深入金融风控、营销等业务场景，成长为能独立负责AI产品落地的算法负责人
• 创新线：依托央企资源，参与前沿技术研究、标准制定和项目申报，向技术管理或科学家方向发展
• 负责面向数据挖掘、风控、营销等场景的AI算法模型研发，包括图神经网络（如Graph Transformer、GraphSage）和时间序列算法（如Chronos）的落地实现
• 研究大模型与智能体技术在金融场景中的融合应用，优化算法的推理与决策能力
• 利用通信数据挖掘金融行业高价值数据资产，构建AI模型产品，并与数据工程师和产品经理协作推动业务落地
• 跟踪AI算法前沿进展，提炼科学问题，参与政府及集团项目申报，推动技术创新和产品转化
• 扎实的数学基础，包括线性代数、概率论与数理统计，能够深入理解算法原理
• 熟练掌握Python或C/C++，具备良好的编程能力和算法实现能力
• 熟悉数据挖掘、机器学习、深度学习算法，并有TensorFlow或PyTorch等框架的开发经验
• 较强的学习能力，能快速阅读论文并复现算法
• 团队协作和沟通能力同样重要

申请策略

• 在投递简历时，可附上个人GitHub或技术博客，展示算法实现能力和对前沿技术的持续关注
• 了解中移金科的现有产品（如和包支付）和“通信+金融”战略，在面试中展现对业务的思考
• 突出图算法、时间序列或大模型相关的项目经验，展示具体的技术方案和业务成果
• 强调数学基础和编程能力，例如在项目中如何用数学工具解决实际问题
• 如有专利、论文或参与标准制定的经历，务必突出，这是优先加分项
• 体现跨团队协作能力，比如与产品、数据工程师合作推进项目的案例
• 补充Graph Transformer、GraphSage等图神经网络的原理和实现，熟悉DGL或PyTorch Geometric等库
• 了解时序预测模型（如Chronos、TimeGPT）和大模型微调、Agent框架，尝试构建小型融合demo

面试指南

• 对于项目介绍，采用STAR法则：背景-任务-行动-结果，重点突出难点和你的创新点
• 对于技术结合问题，先明确场景目标，再分析各自的优缺点，最后给出融合方案和备选方案
• 对于复现论文问题，强调你的方法论，如先看代码，再推导数学，然后逐步验证模块
• 请介绍一个你完成的图神经网络项目，包括数据预处理、模型设计和效果评估
• 如何将大模型与传统的时序预测或风控模型结合？谈谈你的思路
• 在实现一个前沿算法时，你通常如何阅读论文并快速复现？
• 如果业务需要分钟级响应，你会如何优化模型的推理速度？
• 你如何看待金融数据安全对算法模型设计的影响？