【蚂蚁星】时序预测算法-蚂蚁健康（实习）

岗位职责

部门介绍： 我们团队在时序领域深耕多年，在技术积累和应用方面都有广泛的积累。研发的时序算法包括基本算法（如周期检测、周期-趋势分解、趋势提取）、预测算法（如fedFormer, One-Fits-All），异常检测算法（DCdetector）等。今年团队重点转入时序在健康医疗领域的应用。团队近年来在在AI顶会（NeurIPS, ICLR, ICML, KDD, SIGMOD, AAAI等）发表论文50余篇，在国内外取得广泛的影响力。

职位描述：

1. 与一群志同道合的小伙伴一起，在团队已有的时序大模型的基础上，进一步提升训练效率和推理速度；
2. 针对很多健康场景存在的数据缺失、不同采样率的情况，构建鲁棒算法来处理多种不同数据，构建面向健康应用的多元时序数据的预测算法；
3. 提升时序大模型的可解释性，特别是健康、医疗应用中；
4. 在团队的协作下，能够在实际项目中落地至少1个项目或者投稿至少1篇高水平论文（CCF-A或者水平相当论文）。

任职要求

1. 在机器学习/深度学习算法方面有较好的广度和一定的深度，在时序数据建模，Transformer, 可解释人工智能等领域有相关经验的；
2. 精通机器学习/深度学习常用开发架构如Scikit-learn, PyTorch/TensorFlow，精通Python/Java/C++等至少一门语言，具有扎实的代码功底和实战能力；
3. 硕士及以上学历, 有人工智能顶会/期刊论文，人工智能竞赛，或代表性工作成果者优先，且实习期至少3个 月)；
4. 能够理解项目工程需求，有通用化和产品化思维；
5. 良好的沟通能力，自我驱动，对技术和持续学习充满热情，乐于接触新场景，关注前沿新技术。

特色标签

C/C++、Federated Transformer、Java、Python、XAI、健康应用、医疗、医疗AI、医疗健康、医疗异常检测、参加算法相关竞赛/获奖、发表算法相关优秀论文、可解释性AI、大模型算法、序列预测、数据驱动异常检测器、时序判别式检测器、时序基础模型、时序建模、时序异常检测、时序通用模型、时序预训练模型、时间序列预测、机器学习、模型加速/性能优化、模型可解释性、深度学习、深度时序模型、算法工程化经验、编码器-解码器架构、联邦时序模型、自注意力模型