研究型实习生-基于多源异构输入的大模型训练推理通用框架研究

岗位职责

研究领域： 自然语言处理 项目简介： 本项目旨在构建一个面向反洗钱（AML）场景的、能够深度融合与理解多源异构数据的大模型训练与推理通用框架。传统反洗钱系统通常依赖规则引擎和单一模态的模型，难以有效整合文本（如客户尽职调查笔记、新闻舆情）、表格（如交易流水、客户属性）、时序（交易频率、资金流动）和关系网络（实体关联图谱）数据，导致对复杂、隐蔽的洗钱行为识别率低、误报率高。本框架的核心业务价值在于实现跨模态的深度风险洞察。通过集成创新的大模型技术（如多模态融合、图神经网络、时序推理），项目将显著提升对洗钱风险的感知、推理和决策能力全面提升风险识别准确率与覆盖率，大幅降低合规运营成本，增强模型的可解释性与审计追踪能力，实现动态自适应风险防控

任职要求

研究领域： -目前正在攻读计算机科学或相关STEM领域的学士,硕士或博士学位 -具有一种或多种通用编程语言的经验,包括但不限于: Java,C/C ++ 、Python、JavaScript或Go -具有上述研究领域的相关经验,包括行业经验或作为参与实验室研究 优先录用： -对技术研究充满热情,具有产生新思想和创新的能力; 在自学,问题分析和解决方面表现出色 -在国际会议上或核心期刊发表一份或多份出版物或论文 -至少3个月的全职工作

特色标签

AI可解释性、AML、C/C++、GNN、Golang、Java、NLP、Python、信贷、关系图谱、反洗钱、反洗钱合规、发表算法相关优秀论文、可解释AI、合规、图深度学习、图网络、多模态学习、多模态算法、多源数据、大模型推理、大模型算法、大模型训练、大语言模型推理、大语言模型训练、实体关系网络、序列推理、异构数据、意图挖掘、支付、文本理解、时序建模、时间序列推理、机器学习、模型可解释性、模型推理、模型训练、模态对齐、深度学习、知识图谱、算法工程化经验、自然语言处理算法、语义理解、语言模型、跨模态数据、跨模态融合、金融、金融风控、银行、风控、风控算法