快手
信贷风控算法实习生
信贷风控算法实习生
发布于 2 小时前实习/见习
实习生仅现场办公机器学习工程
机器学习工程
Lightgbm
Sql
Xgboost
图神经网络
大模型
深度学习
特征工程
风控算法
值不值得投
67综合评分
综合评分 67
核心业务算法实习、技术栈前沿且成长空间大，但现场出勤要求高、WLB受限。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较实习机会。
薪资怎么样
8千
比机器学习工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 2930 个在招 · 其中机器学习工程 29 个
市场机会
选择面较广
杭州 · 机器学习工程 · 约 280 个在招
职位详情
关于这个职位
该职位主要在快手电商金融场景下参与风控算法建设，包括信用评分、反欺诈和额度定价等核心模型的开发与迭代
你将负责挖掘多源数据构建用户风险画像，并参与从特征工程到模型上线的全流程，同时探索图神经网络和大模型等前沿技术在风控中的落地应用
最低要求
年及之后毕业，计算机、统计学、数学、数据科学等相关专业硕士及以上学历
对数据敏感，具备扎实的数据分析与逻辑推理能力，熟练使用SQL及Spark等工具进行大规模数据处理与挖掘
扎实的机器学习基础，深入理解XGBoost、LightGBM等树模型的原理与调优方法，了解常用深度学习算法（DNN/序列模型/图模型等）
可实习4个月以上，每周到岗4天及以上
工作职责
参与电商金融场景（消费信贷、分期、支付等）的风控算法建设，构建和迭代信用评分、反欺诈、额度定价等核心模型
挖掘平台内外部数据（交易行为、设备、关系网络等），构建和完善用户风险画像体系，沉淀可复用的特征资产
参与风控建模全流程，包括样本与标签定义、特征工程、模型训练与评估、策略调优、线上 AB 实验及效果监控
跟踪风控与机器学习领域前沿技术（如图神经网络、时序建模、大模型在风控中的应用），探索落地可能性
优先资格
有信贷、支付、电商风控相关业务算法经验
有AI应用开发经验，熟悉大模型工程化（RAG、Agent、模型微调等）
AI 洞察
优缺点分析
优点
- 业务场景核心：电商金融风控是互联网大厂的核心变现与安全保障环节，业务价值高
- 技术栈前沿：有机会接触并落地图神经网络、大模型等前沿AI技术，技术成长空间大
- 全流程锻炼：参与从数据处理到模型上线的全流程，能建立完整的算法工程化能力
- 实习门槛高：要求硕士及以上学历且需实习4个月以上，对时间投入和理论基础要求较严
- 适合理论基础扎实、对金融风控和前沿AI技术有浓厚兴趣，且能保证充足实习时间的计算机或数理专业硕士及以上在校生
缺点 / 挑战
- 业务复杂度高：金融风控对模型的准确性和稳定性要求极高，策略调优和线上AB实验压力大
角色解读
- 从算法实习生成长为独立负责核心风控模块的算法工程师
- 向风控算法专家或金融AI技术负责人方向发展，深入探索大模型等前沿技术在金融场景的落地
- 参与电商金融场景下的风控算法建设，开发信用评分、反欺诈和额度定价等核心模型
- 挖掘交易、设备、关系网络等多源数据，构建用户风险画像并沉淀特征资产
- 负责从样本定义、特征工程到模型训练、AB实验及线上监控的风控建模全流程
- 跟踪并探索图神经网络、大模型等前沿技术在风控场景中的落地应用
- 熟练掌握SQL和Spark，具备大规模数据处理与挖掘能力
- 扎实的机器学习基础，深入理解XGBoost、LightGBM等树模型，了解DNN、图模型等深度学习算法
- 具备优秀的数据敏感度、逻辑推理能力以及风控建模的全流程实践经验
申请策略
- 提前了解快手电商金融业务（如快手月付、分期等）的风控痛点，面试时能结合业务场景提出算法优化思路
- 突出在机器学习、深度学习（特别是图模型、序列模型）方面的项目经验或论文成果
- 强调使用SQL/Spark进行大规模数据处理的经历，以及完整的特征工程和模型调优经验
- 若有信贷、支付或电商风控相关的实习/项目经验，或大模型工程化（RAG/Agent）经验，务必放在显眼位置
- 复习并深化对XGBoost、LightGBM等树模型原理及调优的理解，补充图神经网络（GNN）在风控中的应用知识
- 了解大模型在风控场景的落地方案，如RAG、Agent架构及模型微调技术
面试指南
- STAR法则：针对项目经验，按情境、任务、行动、结果的结构清晰阐述，重点突出你的具体贡献和量化收益
- 业务+技术结合：回答算法问题时，先理解业务痛点（如反欺诈的召回率与误杀率平衡），再给出技术方案
- 对比与权衡：在比较不同算法或技术方案时，从时间复杂度、空间复杂度、可解释性、业务适配度等多维度分析
- 请详细介绍一个你参与过的风控或信用评分模型项目，包括特征工程、模型选择和效果评估
- XGBoost和LightGBM在原理和调优上有什么区别？在风控场景中如何处理样本不平衡问题？
- 图神经网络在风控（如反欺诈、关系网络挖掘）中是如何应用的？有哪些常见的图模型？
- 如果线上AB实验发现新模型效果不及预期，你会如何排查和优化？
- 大模型（LLM）在风控场景中有哪些潜在的应用场景？如何解决其幻觉和延迟问题？
职位点评
薪资福利75
成长发展90
工作生活40
使命价值70
薪资福利
75中等
作为算法实习生，实习津贴处于市场较高水平，但整体仍属于实习阶段，无法与正式员工薪资相比。
薪资信号未披露（AI估算：6–9千/月）
成长发展
90较高
岗位涉及核心风控业务和前沿AI技术探索，能参与建模全流程，技术成长和业务理解空间极大。
技术前沿前沿/新兴技术
技术栈SQL、Spark、XGBoost、LightGBM、DNN、图神经网络、大模型、RAG、Agent
成长机会跟踪风控与机器学习领域前沿技术、探索落地可能性
业务类型profit_center
工作生活
40较低
要求每周到岗4天及以上，且实习4个月以上，工作强度和时间投入要求较高，WLB受限。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
电商金融风控有助于保障用户资金安全和平台生态健康，具有一定的社会正向价值，但主要仍为商业驱动。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs