岗位职责
1. 负责千万级催收场景数据的清洗、特征工程与建模，支持用户还款预测、逾期分群、欺诈识别等核心业务
2. 设计并实现自动化特征工程工具链，提升多维度时序数据（通话记录、还款行为）的处理效率
3. 开发机器学习与深度学习模型，结合催收业务特性优化模型解释性与实时推理性能
4. 探索生成式AI在智能催收中的应用场景（如对话策略生成、用户意图分析），推动技术落地
5. 与风控策略团队深度协作，构建数据驱动的催收策略优化闭环
任职要求
基本要求
- 学历：985/211院校计算机、软件工程、数学或统计专业本科及以上学历
- 经验：2年以内 金融风控/信贷模型开发经验，债务催收场景模型开发经验，或其他领域模型开发经验优先。
- 表达能力:能清晰阐述模型开发逻辑与技术选型依据,提供代码样例,脱敏参考文档
技术能力
1. Python开发与数据处理
- 精通Python高级特性:多线程编程、装饰器、生成器,能实现高性能生产代码
- 掌握Pandas常规以及复杂操作。
- 特征工程自动化：
- 熟练使用`sklearn-pandas`构建特征管道，实现预处理与模型训练无缝对接
- 应用`featuretools`/`tsfresh`自动生成时序特征（如近7次通话响应时长标准差）
- 数据可视化：
- 熟练使用`ggplot2`+`plotly`制作交互式分析看板（如不同催收渠道回收率对比）
2. 算法建模能力
- 传统机器学习：
- 深入理解逻辑回归/XGBoost/随机森林等算法原理，能解释推导梯度下降过程
- 具备SHAP/LIME等模型解释经验，定位影响还款的关键特征（如收入稳定性标签）
-深度学习
- 掌握CNN/RNN/Transformer架构，熟悉注意力机制等核心概念
- 有PyTorch/TensorFlow实战经验，曾部署过实时预测模型
高竞争力加分项
- 大模型应用：
- 有LoRA/P-Tuning等轻量化微调经验，实现催收场景的GenAI应用（如话术生成）
- 熟悉Transformer推理优化技术（KV Cache、动态量化）
- 数学能力：
- 掌握生存分析、因果推断等统计方法，解决催收动作的反馈效应问题
- 能通过马尔可夫决策过程建模差异化催收策略
申请材料
1. 中英文简历
2. GitHub技术作品（标注个人贡献部分）
3. 1-2个代表性项目说明（需包含：业务目标、技术方案、量化效果）