所在部门: 汇报对象:
月 薪:
职责业绩: 职位:算法专家 汇报对象:CTO、集团老总
项目1:公司上市课程售前/售后-智能客服(知识模块+闲聊模块)
1)建立问题与答案的知识库(针对对上市培训课程的客服场景)
2)将文本转化成embedding,结合关键词经验规则,计算用户输入的问题与知识库存储的问题的相似度
3)检索并给出用户想要的答案
4)如果用户输入信息,在知识库中找不到对应的内容,则转闲聊模块
5)chatGML模型微调训练(GPU-3090)
项目2:chatGML文章评论自动生成
工作目的:依据文章内容自动生成文章评论
1)chagGML部署、模型下载
2)爬取文章以及文章评论,整理成chagGML需要的格式
3)对chatGML进行微调
4)依据文章内容生成1-2条评论
项目3:文本转语音模块
1)通过url获取文章内容文本
2)将文本通过“百度语音”接口,转成语音
3)播放语音
项目4:chatGPT调研
工作目的:支持自动问答系统
1)GPT到GPT3的技术发展历史
2)解析Transformer和GPT1的结构
3)自相关、多头注意力机制中K、Q、V的计算过程
4)解析chatGPT的技术特点和训练流程
项目5:图片生成
工作目的:(AIGC)依据现有图片生成其它风格的图片丰富图库的内容
1)使用stable diffusion模型,显卡(3090)
2)依据现有图片,不同风格,各1000张,送入模型进行训练
3)依据提示词生成需要的图片
4)再将生成的图片经过人工筛选,保留可用的图片
5)结果极大扩充了图片素材库,解决了图片不足的问题
项目6:多模态图像处理
工作目的:使推荐列表中,在文章标题旁边,显示与文章主体相关的缩略图
数据集:100万张爬虫得到的图片(没有版权限制)
方法1:基于CLIP模型判断文章标题和图片向量的相似性
1)安装pytorch、transformers,等CLIP依赖的环境
2)下载预训练的CLIP模型
3)使用CLIP判断文本向量和图形向量的相似度,按照相似度大小进行排序
4)该每篇文章标题,筛选出3个最相关的图片
5)CLIP模型知识蒸馏测试:clip模型做teacher,cnn做:student
方法2:基于图片目标检测结果,判断图片内容和文章标题的相似性
1)图片标题关键词提取
2)图片内容识别
3)图中人物年龄识别
3)图中人物性别识别
4)图中文字OCR
通过上述方法,得到图片的综合标签
1)将总标签做word2vec,得到一张图片的向量
2)将计算图片向量与文章标题向量的相似性,给文章标题找到一张最合适的图片
其它项目概要:
1)文章情感分类
2)文章分类建模
3)文章画像(文章向量化->相似的文章向量):
4)推荐系统召回算法
5)用户行为画像:
6)实时排序模块:
7)画像标签库设计:
8)CTR预估建模(推荐排序)
9)阿拉丁推荐系统架构设计与开发

月 薪:
职责业绩: 职位:算法部经理 所述部门:平台部 汇报对象:CTO
岗位职责:
1)从0到1组建团队,管理团队
2)独立完成自己负责的算法项目
3)撰写专利
工作业绩:
项目1:sass产品智能客服
1)针对sass相关问题与答案建立知识库
2)将知识库文本转化成embedding,结合人工经验规则,计算用户提出的问题与知识库存储的问题的相关性
3)对话情绪识别,依据情绪调整输出话术
4)依据相似性给出最终客服答案
项目2:游戏玩家广告推荐算法建模
该问题为推荐问题。公司所有玩家,对所有游戏的点击、下载、安装、游戏登录、付费等数据。依据这些历史数据建立模型,给每个玩家推荐可能付费的游戏。看模型会把目标游戏推荐给哪些玩家。再基于这个信息,给合作的游戏 厂商,反向找到合适的用户
工作内容
1)分析筛选人工经验
2)分析付费客群特点
3)分析游戏生命周期
4)衍生特征
5)建立召回、排序模型
6)筛选付费用户
最终效果:
原来依据人工经验筛选的客群付费率约为8%
依据协同过滤模型可将付费率提高到13%
项目3:玩家付费潜力预测
尽快发现旅游付费潜力的玩家,进行人为干预,了加速付费转化率,提高付费转化率。根据统计,玩家进入一款新的游戏,有88%的任会在7天以内付费。有55%的玩家会在第一天付费。第一天该玩家在游戏中还没有足够的数据用来分析。因此依据客户再历史上其它类似游戏中的行为,来预测玩家会不会在新游戏中付费,是解决问的关键。
工作内容:
1)分析需求,和数据特点,确定解决方案
2)衍生特征
3)建立模型,评估建模效果
最终效果:
依据人工经验对付费用户预测的准确率为30%,依据模型预测的准确度为55%。
项目4:游戏玩家流失预警
根据统计,一个游戏玩家如果7天不登陆游戏,后续再次登录该游戏的概率很小,意味着该客户彻底流失。在玩家流失前提前发现,并进行优惠等人为干预可培养玩家长期兴趣,玩家流失。因此面对海量的玩家,即使准确的发现流失玩家,是解决问题的核心。也是流失预警这个项目的关键价值所在
工作内容:
建模过程:
1)依据流失逻辑打标签,筛选数据
2)衍生特征
3)训练并评估模
预测过程:
1)在aws用python编写map-reduce程序,对日志进行处理,生成建模用的基础数据
2)从aws s3平台下载数据
3)依据下载数据衍生特征
4)将特征送入训练好的模型之中,保存预测结婚
5)将预测结果上传到s3制定的桶中
6)预测部分,将各个步骤在统一的shell中按顺序执行。并讲该shell脚本添加到定时任务中,每日计算预测结果
最终效果:
预测结果,准确率0.85,召回率0.79
该项目对即将流失的游戏玩家预测相比人工经验预测有了极大提高,提示游戏因为人员及时干预,避免流失。既降低了流失率,又降低了流失筛选成本。
项目5:用户LTV的预测
之前运营同事,是依据7天的数据进行分析,确定自己的广告是否需要继续付费投放。在7天之内,按照默认计划进行付费投放。
最终效果:
预测结果,准确率0.81,召回率0.75。
加入LTV建模之后,结合用户的历史打开、登录、停留、付费、再结合用户的人口属性画像信息,提前3天来预测,7天之后,广告推广计划用户付费会不会达到既定目标。如果达到了,则继续投放,如果达不到,则可以提前结束投放,提升运营效率和不必要的否方费用。

月 薪:
职责业绩: 岗位职责:
1)地图周边用户画像挖掘
2)地图搜索推荐
依据用户画像和周围商店、餐饮、加油站等评分、位置信息做搜索推荐
工作业绩:
项目1:多源异构数据建模:用户画像、商店等商业实体画像、位置信息建模推荐
项目2:商业实体评论信息挖掘:基于评论数据,提取特征标签,帮助用户做出最佳决策
其它:
1)数据清洗
2)特征衍生

月 薪:
职责业绩: 职位:智能控制算法工程师,兼任:产品经理
所属部门:智能化事业部 汇报对象:部门经理
岗位职责:
智能控制项目现场调研,方案设计,程序编写,现场实施与调试
工作业绩:
1)2010年广州亚运会开幕式喷泉表演项目:大数据传输系统
2)集气管压力智能协调控制系统(国内前三名水平,主要算法:BP神经网络、模糊控制,协调控制,PID控制等)
3)焦炉自动加热系统 (主要算法:神经网络)