Machine Learning专家（AI Agent与风控）

关于团队

我们是一家服务全球用户的互联网金融科技公司，长期投入安全、可靠的数字化产品和技术基础设施建设。团队分布于多个国家和地区，强调团队协作、正确决策、结果导向以及对工作成果的端到端负责。本岗位所在团队负责复杂业务环境下的智能风险识别与决策能力建设，与机器学习、数据科学、风险策略、产品和运营等职能紧密协作。团队面对大规模、跨全球多地区、多类型业务数据，持续提升风险识别、运营效率和用户体验。

岗位背景

在全球化、大规模金融环境中构建风险机器学习系统，与常规机器学习工程存在明显差异。数据横跨用户行为、资金进出、业务操作、账户访问模式、设备信号、身份信息和客户互动；能够对这些信号进行统一分析和实时决策，是该岗位的重要技术挑战。负责将 ML 模型和 LLM Agent 应用于全球金融交易风险的管理。核心目标是在高对抗、受监管环境中降低损失，同时提升合法用户通过率、降低误报、加快调查并增强决策可靠性。

相关问题复杂、具有对抗性，并且持续演变。模型需要识别新出现的欺诈模式、诈骗、账户盗用、支付滥用及其他业务风险，同时尽量减少对正常用户的干扰。成功不能只通过离线模型指标衡量，还要看风险损失是否降低、正常用户通过率是否提升、误报是否减少、调查是否提速以及用户体验是否更加可靠。

该岗位位于一个多学科风险团队中，团队成员包括机器学习工程师、数据科学家、风险策略专家、分析工程师、产品经理和运营团队。你将参与完整的机器学习生命周期，从问题定义、特征工程和模型开发，到实时部署、监控、实验和持续迭代。也将帮助塑造 AI能力在风控中的应用方式。LLM 辅助开发、自动化模型工作流、AI 驱动的调查以及智能审核 Agent，已经是团队日常工作的一部分。我们希望寻找已经能够有效使用这些工具，并能帮助建立安全、可扩展、适用于生产环境的 AI 实践的优秀工程师加入。

岗位职责

1. 为支付欺诈、账户盗用、诈骗检测、资金进出风险、营销活动滥用、客户风险评估和异常业务监控等场景设计、构建并部署机器学习模型。
2. 端到端负责生产机器学习系统，包括特征管道、训练工作流、模型服务、决策集成、监控、告警、漂移检测、重新训练和事故响应。
3. 与风险策略和产品团队合作，将模型转化为有效的生产控制措施，包括通过、拒绝、人工审核、冷却期、限额调整、账户限制及其他风险缓释动作。
4. 与风险运营团队紧密合作，理解调查工作流，吸收审核人员反馈，提升模型可解释性，并持续改进标签和训练数据。
5. 在完整工程流程中应用 AI 辅助开发，使用 LLM 编码工具加速实现、测试、调试、分析和文档编写，同时保持适当的安全与审核标准。
6. 开发 AI 驱动的风险能力，包括调查 Agent、案件总结、证据收集、审核建议、告警分流、可疑实体挖掘和自动化决策支持。
7. 将研究阶段模型转化为可靠的生产系统，包括验证特征逻辑、审核数据质量、解决时延与可扩展性限制，并确保离线训练和在线推理的一致性。
8. 确保模型和决策系统具备可解释性、可追溯性和完善文档，使风险运营、产品相关方、内部治理团队以及适用情况下的监管机构能够理解模型输出。
9. 为风险运营和调查工作流设计、构建并部署基于 LLM 的 Agent，包括案件分流、证据检索、行为分析、告警总结、审核建议和自动化动作编排。
10. 使用工具调用、检索增强生成（RAG）、工作流编排、结构化输出、记忆、护栏和人在回路控制，开发生产级 Agent 架构。
11. 建立 LLM Agent 评估框架，衡量事实准确性、任务完成度、决策一致性、时延、成本、审核人员接受度和运营影响。
12. 通过实施权限控制、审计日志、数据隐私保护、Prompt 与工具安全、降级机制和清晰的升级路径，确保 LLM Agent 在受监管的风险环境中安全运行。

任职要求

1. 在机器学习工程、应用数据科学或紧密相关领域具备丰富的专业经验，并有将模型从原型推进至生产的可靠记录。具体职责范围和级别将根据经验校准。
2. 具备扎实的 Python 能力，并实际使用过 PyTorch、TensorFlow、XGBoost、LightGBM 或 scikit-learn 等机器学习框架。
3. 扎实掌握应用机器学习基础，包括监督学习、异常检测、表征学习、类别不平衡建模、模型校准以及数据分布变化情况下的模型评估。
4. 能够证明自己熟练使用 AI 辅助工程工具。日常使用 LLM 编码工具，构建过 AI 集成工作流或应用，并理解其生产力价值以及安全性、可靠性和治理风险。
5. 熟悉 SHAP、特征归因、原因代码生成和模型评分卡等模型可解释性技术。
6. 具备设计和部署生产级 LLM Agent 的实际经验，包括 Agent 工作流、工具调用、RAG、Prompt 与上下文管理、结构化输出生成和多步骤任务编排。
7. 有将 LLM Agent 与内部系统、API、数据库、搜索工具、案件管理平台或决策引擎集成，以自动化复杂运营工作流的经验。
8. 深入理解 LLM Agent 的评估与可靠性，包括幻觉控制、事实 grounding、可观测性、权限、失败处理、人工审核、时延和成本优化。
9. 具备在欺诈、风险、合规、客户运营、网络安全或其他高风险领域构建 AI Agent 的经验，将构成明显优势。
10. 具备良好的沟通与协作能力，能够与工程师、数据科学家、风险专家、产品经理、运营团队以及法务或合规相关方高效合作。