•学术成绩：GPA 3.92/4.0，连续两年获国家奖学金，系统习得深度学习、大模型与分布式系统等课程。
•核心科研：作为学生负责人承担省级重点研发项目，提出多模态缺陷检测新范式，论文发表于CCF-A类会议ICCV。
•竞赛与领导力：创办AI创新工坊，统筹8人团队，在CVPR 2023工业缺陷检测挑战赛中斩获全球第一名，显著提升低资源场景下模型召回率。
机器学习技术总监技术战略规划推荐系统优化平台架构团队领导
北京
•- 主导公司机器学习技术战略制定，规划从数据采集、实验环境到模型上线的全链路研发体系，协调算法、工程与数据平台团队协同推进。
•- 重构广告点击率预估模型，引入多任务学习与特征交叉网络，使AUC提升3.2个百分点，在线推理延迟从40ms降至12ms，年度节省计算资源成本约800万元。
•- 与业务团队共同挖掘保险、信贷等场景，落地智能核保、反欺诈识别、客户流失预警等7个机器学习应用，累计带来近2亿元的业务增量。
•- 带领团队搭建企业内部MLOps平台，实现数据集版本管理、自动化特征流水线和模型持续监控，支撑日均15TB数据加工与6个核心产品线的模型服务。
•- 负责15人算法团队的管理与梯队建设，通过定期论文研讨、内部竞赛和对外技术交流，培养出3名技术骨干，团队在KDD Cup 2022中取得Top 5%成绩。
机器学习高级工程师供需预测时序建模特征工程模型部署
北京
•- 参与网约车动态定价系统的机器学习模块开发，负责构建时空特征库和实时供需预测模型，日均处理订单轨迹数据超过2亿条。
•- 针对GPS轨迹漂移和信号缺失问题，设计基于卡尔曼滤波与图神经网络的数据修复方案，将乘客位置匹配准确率从82%提升至93%。
•- 构建基于LightGBM和自注意力机制的乘客需求预测模型，利用贝叶斯优化进行超参调优，在测试集上MAE降低18%，上线后使区域调度效率提升25%，每年节省空驶成本约3000万元。
•- 与工程团队合作，将模型部署为微服务并集成至实时调度引擎，实现毫秒级预测响应，在晚高峰高并发场景下可用性达到99.99%。
•- 撰写5篇内部技术文档，面向新人开设《分布式机器学习实战》系列分享，帮助组内成员快速掌握大规模稀疏特征处理技巧。
•- **项目背景**：平台需要整合图文、短视频、直播等内容形态，提升用户内容消费时长与互动率。
•- **项目目标**：构建多模态内容理解与个性化分发系统。
•- **技术方案**：基于Transformer架构，融合文本、图像和用户实时行为序列，设计粗排-精排-重排的级联漏斗，引入对比学习提升冷启动内容曝光。
•- **实施过程**：负责整体方案设计与数据流搭建，清洗并标注了8000万条用户行为数据，构建了包含内容标签、场景上下文和用户长期兴趣的联合特征体系。主导分布式训练优化，在128块GPU集群上将模型训练周期从3天压缩至18小时。
•- **项目成果**：系统上线后，用户人均内容停留时长提升22%，点击率提升16%，创作者活跃度增长35%，支撑了首页每天近10亿次推荐请求，P99延迟控制在30ms以内。
•- **项目背景**：即时配送业务需要精准预估骑手到店取货和送达时间，以优化调度和用户体验。
•- **项目目标**：开发基于海量时空数据的送达时间预估模型。
•- **技术方案**：融合骑手轨迹、天气、路况和商户出餐速度等多源信号，采用深度时空网络与梯度提升树混合结构，对ETA进行分段预测。
•- **实施过程**：设计了一套流式特征工程框架，对1.5亿条历史订单数据进行特征提取与筛选，保留230维有效特征。通过时间序列交叉验证和贝叶斯优化调节模型参数，在MAE和超时率两个指标上取得平衡。
•- **项目成果**：模型在主要城市将30分钟送达率从78%提升至85%，超时投诉率下降40%，日均处理超过2000万次配送请求，已稳定运行3年，成为运力调度系统的核心组件。
KDD Cup 2022 强化学习赛道团队Top 5% 高性能模型压缩与推理:
深耕模型量化、剪枝与知识蒸馏，在搜索推荐场景中，对双塔模型进行结构化压缩，将模型体积降低87%，推理延迟从20ms降至4ms，在10亿级用户行为序列上实现CTR提升3.2%，直接支撑广告收入增长，同时保证模型可解释性满足业务审计要求。
