国际事业群IBG-算法实习生（26）

优缺点分析

角色解读

• 可沿金融风控算法方向深入，成长为风控建模、反欺诈或信用评分专家
• 可拓展LLM应用与算法工程能力，转向大模型应用、推荐/搜索或数据科学岗位
• 实习表现优秀者可争取转正，进入国际化业务算法团队持续发展
• 参与国际金融信贷风控场景的模型设计与建设，覆盖特征、建模到评估的算法链路
• 结合业务数据构建和优化风控模型，提升风险识别与决策效果
• 探索LLM在信贷风控中的应用落地，如文本理解、风险信号提取或流程提效
• 与业务、工程和数据团队协作，推动算法方案上线与迭代
• 扎实的数理统计基础，熟悉机器学习与深度学习常用算法
• 掌握XGBoost、神经网络、图算法等方法，具备建模与评估经验
• 具备较强的编码能力和AI应用能力，能用Python等工具完成数据处理与模型实验
• 有良好的问题拆解、沟通协作与自我驱动能力

申请策略

• 关注滴滴国际化业务和金融信贷场景，面试中体现对出海风控差异的理解
• 投递前确认实习地点、时长与转正机会，结合学校安排评估到岗时间
• 突出机器学习/深度学习项目经历，尤其是分类、风控、反欺诈、信用评分相关建模经验
• 写明XGBoost、神经网络、图算法等具体方法的使用场景和效果指标
• 展示Python编码、数据处理、模型评估与调优能力，附上GitHub或项目链接更佳
• 如有LLM应用、文本挖掘或AI竞赛经历，应单独列出并说明业务价值
• 系统复习信用风险建模常用方法，如WOE/IV、评分卡、XGBoost、模型评估与稳定性监控
• 补充LLM应用基础，包括Prompt设计、RAG、微调或文本特征提取的简单实践

面试指南

• 项目题采用STAR结构：背景-任务-行动-结果，突出个人贡献和量化指标
• 算法题先讲业务目标和数据特点，再比较模型假设、优缺点和评估方案
• 开放题体现实验设计能力：先定义指标，再做基线、对照实验和误差分析
• 请介绍一个你主导或深度参与的机器学习项目，重点说明建模思路和效果
• XGBoost和神经网络在风控场景下分别有什么优缺点？你会如何选择？
• 如何处理信贷风控中的数据不平衡、特征缺失和模型可解释性问题？
• 你了解哪些LLM在风控或金融场景的应用方式？如何评估其有效性？
• 如果模型离线指标提升但线上业务效果不佳，你会如何排查？