AI 与数据解决方案

该职位来源于猎聘 AI & Data Solutions 我们正在寻找一名注重实践与交付的 AI/ML 解决方案专业人员加入中央 AI Hub 团队。 该岗位负责 AI/ML 项目的端到端实施，推动项目从业务概念逐步转化为稳定、可用于生产环境的解决方案。 你将连接业务相关方与技术工程团队，并负责整体交付生命周期，包括验证业务想法、开发解决方案、推动部署，以及上线后的持续优化，从而支持业务目标的实现。 岗位成果将根据以下方面进行衡量：投入生产环境的应用场景数量、上线后的业务 KPI 变化、业务部门（BU）的自助使用情况，以及合规和数据安全相关情况。 工作职责 一、上线前：可行性分析与验证 需求转化 将相对模糊的业务需求转化为清晰的技术规格和功能需求文档（FRD）。从技术可行性、数据准备情况和投资回报（ROI）等方面评估应用场景，为项目立项和实施提供依据。 解决方案设计与概念验证（POC） 根据业务问题选择适合的技术方案，例如 AI Agent、RAG 知识检索、模型微调（Fine-tuning）或模型蒸馏（Distillation）。 负责开展快速、成本可控的 POC，以验证技术假设、识别项目风险，并估算总拥有成本（TCO）。 安全边界定义 在工程开发开始前，为 AI 系统建立明确的运行和行为边界，包括知识来源、决策逻辑、异常或降级处理机制，以及后续迭代机制。 二、构建与工程开发：知识本体与开发 知识与数据工程 设计企业知识本体（Ontology）和语义层（Semantic Layer），支持不同业务概念和数据源之间的整合。 构建和组织 Prompt Library（提示词库）及 Knowledge Base（知识库），支持信息检索和系统性能优化。 模型开发 负责 LLM、DL 和 ML 解决方案的技术实施，包括： 数据问题排查 算法定制 Prompt Engineering（提示词工程） 系统优化 确保解决方案满足延迟、准确性和可扩展性等方面的业务及技术要求。 生产环境封装 与 IT 团队合作，将知识、Prompt、安全边界以及评估指标封装为可复用、能够用于生产环境的 Agent Skills 和 API。 三、上线后：优化与持续改进 模型微调与优化 负责已部署模型的持续性能优化，并根据实际业务需求推进相应的模型调整和优化工作。 监控与反馈机制 建立线上评估和监控机制，跟踪 AI 系统运行情况、业务 KPI 和用户反馈。 建立持续反馈机制，根据实际使用情况对模型进行训练、调整和优化。 平台反馈 基于项目实施和交付过程中的实际经验，向内部 IT 和平台团队提供反馈，支持内部工具和基础设施的持续改进，并协助解决影响项目交付的问题。 四、业务赋能：规模化与知识传递 业务部门技术支持 为业务部门（BU）自主开展的 AI 应用场景提供技术支持，包括： 定制化问题排查 超参数调优 解决方案故障分析与处理 标准化与自助应用 推进工具链标准化，并记录、整理经过验证且可复用的解决方案。 针对不同业务部门制定相应的“Golden Path”教程和操作指南，帮助内部团队自主开发、应用和扩展 AI 解决方案。 五、治理与监管 监管合规、AI 治理及内部政策要求 确保所交付的解决方案符合适用的金融监管要求，包括中国人民银行（PBOC）、国家金融监督管理总局（NFRA）的相关要求，以及《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》（PIPL）和公司内部 AI 治理及合规政策。 在相关工作中，需要与法务、合规、信息安全以及数据保护官（DPO）保持密切合作。 候选人要求 我们希望候选人具有务实、注重执行的工作方式，能够深入参与数据管道和模型相关技术工作，同时能够与业务负责人沟通技术限制和业务需求，并将 AI/ML 概念转化为可运行的企业级解决方案。 任职资格 教育背景 计算机科学、数据科学、工程或其他相关定量专业本科及以上学历。 具备 MBA 或商业相关背景者可作为参考条件，但并非必须要求。 工作经验 具有 4–7 年相关工作经验，并具有从概念设计到生产部署的 AI/ML 产品或解决方案实施经历。 具有跨职能、矩阵式组织环境下的工作经验。 技术要求 熟练使用 Python 和 SQL 具有大数据处理相关实践经验，例如 Spark 具有 MLOps 工具相关实践经验，包括实验跟踪、工作流编排、模型注册等 具有生产环境部署经验 具备能够满足工作沟通需求的中文和英文能力 核心能力 AI 项目全生命周期管理 具有 AI 项目完整生命周期的实践经验，包括： POC → 生产部署 → 持续优化 了解不同阶段可能出现的问题，并能够采取相应措施进行风险管理。 技术能力 具有 LLM、DL、ML 解决方案实施相关经验，包括： RAG AI Agent Fine-tuning Model Distillation 传统机器学习 优化方法 能够排查数据问题、优化算法，并根据实际业务情况，在性能、成本和交付速度之间进行合理权衡。 业务与技术需求衔接 能够将相对模糊的业务需求转化为明确、可执行的技术需求，支持工程团队进行后续设计和开发。 执行与交付 能够推动项目实施、协调解决项目过程中的问题、协助形成相关决策，并推动项目从规划和验证阶段进入实际应用阶段，以支持业务目标实现。 优先考虑条件 具有 Agentic Workflow（智能体工作流）或 Composite AI System（复合型 AI 系统）设计相关经验。 直接参与过 SFT（监督微调）、RLHF（基于人类反馈的强化学习）或模型蒸馏项目相关的数据管道建设。 具有支持多个业务线自主应用和扩展 AI 解决方案的相关经验。