信贷风控大模型算法专家

优缺点分析

角色解读

• 短期内可在高对抗、大数据量的信贷风控场景中把 LLM 落地经验做深，形成稀缺的技术标签
• 中期可向风控算法负责人、模型体系架构师方向发展，主导多业务线模型矩阵
• 长期可延伸到金融科技整体的 AI 决策体系或技术管理路线
• 负责信贷风控场景下大模型算法的全链路研发，包括风控数据构建、提示词设计、模型 SFT/RL 微调以及线上部署与迭代
• 需要把大模型与传统机器学习、深度学习模型融合，针对不同业务线设计端到端的风险决策框架
• 同时推动模型全生命周期 SOP 和工具平台建设，提升模型迭代效率
• 扎实的机器学习与深度学习功底，熟悉树模型、序列模型、图模型，熟练使用 PyTorch/TensorFlow
• 具备生产环境大模型落地能力，掌握 RAG、Agent 框架（LangChain/LangGraph/AutoGen）与 SFT/RLHF/DPO 微调方法
• 工程能力过硬，能用 Python/SQL/Spark 处理海量数据，并具备实验设计与效果评估能力
• 对风控指标体系有理解，能把模型效果转化为业务指标

申请策略

• 投递前了解美团金融服务平台的业务版图（信贷、支付、保险、理财）与“场景+金融”模式，思考大模型在哪些风控环节最有价值
• 简历中用业务语言描述技术成果，强调 ROI 与风险指标改善，而非只讲模型结构
• 重点展示端到端的大模型落地项目：从数据构建、微调到评估、部署上线的完整链路与量化效果
• 突出风控或金融场景经验，如反欺诈、信用评分、额度定价等模型项目及其业务指标提升
• 列出 RAG/Agent 工程化、SFT/RLHF/DPO 的具体实践与技术选型理由
• 补充工程能力证据，如 Spark 处理海量数据的规模、模型服务化与推理性能优化经验
• 补齐 Agent 框架（LangChain/LangGraph/AutoGen）的工程化实战，最好能拿出可演示的多步决策或工具调用项目
• 系统学习风控指标体系与信贷业务逻辑，理解 KS、AUC、lift、坏账率等指标与模型的关系

面试指南

• 用「业务问题—方案选型—工程实现—量化结果—反思改进」的结构讲项目，先讲清业务约束再讲技术选择
• 回答融合类问题时，先界定大模型与传统模型各自的能力边界，再说明分层架构和决策链路的设计逻辑
• 涉及风控合规的问题，主动提及可解释性、离线评估、灰度上线与人工兜底机制
• 请介绍一个你在生产环境落地大模型的完整项目，从数据到部署各环节的关键决策是什么？
• 在信贷风控场景中，大模型相比传统机器学习模型能解决哪些它解决不了的问题？又如何与树模型融合？
• 你如何设计 SFT/RLHF 的数据与评估体系，保证模型在风控任务上的稳定性和可解释性？
• RAG 或 Agent 框架在风控业务中的具体应用设想是什么？如何控制幻觉与合规风险？
• 如果线上模型效果出现衰减，你会如何定位和迭代？