核心定位：构建高精度客户风险识别引擎，驱动贷前、贷中、贷后全链路智能风控决策，提升KS、催收效率、AUM等核心业务指标。 1.端到端风险识别系统建设：设计并落地“好坏客户”识别引擎，覆盖特征工程、模型训练、线上部署全流程，支撑审批、监控、催收等关键场景。 2.多维标签体系定义与建模：基于金融业务逻辑，构建包含还款行为（逾期次数、M1+率）、信用历史（负债比、查询频次）、行为稳定性、资产匹配度及设备社交关联风险的综合标签体系。 3.多源异构数据融合建模：整合行为序列（点击流、登录频次）、LBS时空特征（常驻地漂移、夜间活跃）、多模态信号（语音情绪、图像质量、OCR语义），构建高维风险特征空间。 4.模型研发与性能优化：研发并迭代传统机器学习（XGBoost/LightGBM）与深度学习模型（DNN/Transformer），提升KS、AUC及TopK精准率；探索图神经网络（GNN）实现用户Embedding与风险传播分析。 5.前沿技术探索与业务价值闭环：探索大语言模型（LLM）在弱信号挖掘与组合因子推理中的应用；推动算法产品化落地。

1.硕士及以上学历，计算机、统计学、应用数学、金融工程等相关专业；3年以上金融风控建模经验，互联网金融或持牌机构背景优先。 2.精通Python建模生态（Scikit-learn、XGBoost、PyTorch），熟悉特征工程、不平衡分类、模型可解释性（SHAP/LIME）方法。 3.具备用户行为序列建模、时空特征提取、图神经网络（GNN）或自监督学习实战经验，有User Embedding项目落地者优先。 4.关注AI前沿技术，了解LLM在非结构化文本理解、风险推理中的应用路径，具备LangChain/HuggingFace工具链使用经验者加分。 5.具备强业务敏感度，能将风控问题转化为建模任务；具备跨团队协作能力，推动算法从实验室到生产的闭环落地。