金融事业部-算法实习生

优缺点分析

角色解读

• 从实习生转为正式算法工程师，深入金融风控领域，积累大规模模型实战经验
• 逐步成长为独立负责模型研发的算法专家，或向技术管理方向发展
• 大模型在金融领域应用前景广阔，未来可向多模态、AIGC等方向延伸
• 参与信贷风控大模型的预训练和微调，针对金融场景优化模型性能
• 挖掘海量平台数据及外部数据，设计风险模型的特征与算法，提升模型区分度和解释性
• 与业务团队协作，理解风控需求，将模型落地到实际业务场景中
• 跟进前沿NLP和AI技术，探索多模态融合在风控领域的应用
• 扎实的机器学习和深度学习理论基础，深入理解Transformer架构
• 熟悉BERT/GPT系列大模型的预训练、微调及部署优化流程
• 精通Python和SQL，具备工程实现能力
• 对数据敏感，有良好的分析和问题解决能力

申请策略

• 关注岗位职责，在简历和面试中体现对大模型在金融风控落地的思考和热情
• 提前了解滴滴金融的业务形态，在面试中展示你对业务的理解
• 突出在校期间参与过的机器学习/深度学习项目，尤其是BERT或GPT相关经验
• 展示Python和SQL的熟练程度，可附上代码仓库或数据分析案例
• 强调对Transformer架构的理解，如有预训练或微调的经验务必重点写明
• 若有过金融风控或信贷相关项目，则更能加分
• 提前熟悉PyTorch/HuggingFace等常用框架，了解大模型部署优化工具
• 补充金融风控领域的基础知识，如信用评分、逾期率等概念

面试指南

• 对于技术原理类问题，先阐述核心概念，再补充应用场景和个人理解
• 对于项目经验类问题，采用STAR法则（情境、任务、行动、结果）结构化描述
• 对于实际问题类问题，先明确问题定义，再提出分析和解决思路，并考虑可行性
• 请解释Transformer的注意力机制及相比RNN的优势
• 你如何对大模型进行微调？遇到过哪些问题？如何解决？
• 如何评估一个信贷风控模型的好坏？
• 面对不平衡数据，你会如何处理？
• 简单介绍一下你做过的机器学习项目，并说明你的角色和成果