林逸飞 · Algorithm Engineer

针对信贷申请反欺诈场景，基于XGBoost构建异常检测模型，通过用户行为序列特征与关联图谱挖掘，将欺诈识别率提升至92%，误报率降低40%。

• 设计信用评分卡模型，从千万级交易数据中提取逾300维特征，通过WOE分箱与逻辑回归优化，将模型AUC从0.78提升至0.85，逾期率下降22%。

• 主导支付实时风控引擎的模型部署，采用Python微服务架构与特征缓存机制，将单次推理延迟控制在50ms以内，支撑日均千万级交易请求。

• 搭建自动化特征工程流水线，集成递归特征消除与分箱算法，将模型迭代效率提升3倍，减少人工调优时间60%。

面对推荐系统CTR增长停滞与粗排候选集过大的挑战，主导将排序模型从单任务LR/DNN升级为基于PyTorch的多任务深度学习架构（MMOE + 特征交叉），并重构召回向量索引与粗排剪枝策略，实现全链路联合优化，最终CTR提升12.3%、转化率提升8.1%，同时粗排候选集规模压缩30%而召回率不降。

• 针对精排模型在线推理延迟高（平均45ms）、无法支撑日均亿级请求的问题，采用TF Serving部署经量化与权重剪枝后的模型，并设计动态批处理与缓存机制，将P99延迟降至18ms，系统QPS从800提升至3200，保障了业务高峰期稳定性。

• 为加速模型迭代并降低实验评估偏差，搭建基于流量分层的A/B测试框架，集成多组并行实验、实时指标监控与自动异常检测，使实验周期从两周缩短至3天，误判率（统计显著性错误）降至0.8%，支撑了18个月内12个模型版本的成功上线。

• 引入特征工程自动化流程，利用Embedding与交叉特征生成工具，将特征维度从200+扩展至1500+并完成重要性筛选，结合在线特征回放系统，使模型在冷启动场景下的CTR提升9.6%，同时训练数据时效性从天级提升至分钟级。

主导基于BERT与GPT系列的大规模预训练语言模型微调，针对智能客服场景优化意图识别与槽位填充，使核心语义理解F1得分从86.3%提升至94.1%，同时将模型参数量压缩40%以适配在线低延迟服务。

• 设计并实现混合精度训练与模型并行策略，将千亿级GPT模型的单次微调周期从72小时缩短至28小时，支撑多业务线并行训练需求，累计完成15个不同领域子模型的快速迭代。

• 提出知识蒸馏与结构化剪枝相结合的压缩方案，将文档理解模型（包含长文本分类与信息抽取）的推理延迟从320ms降至95ms，在保持整体准确率损失<1.5%的前提下，成功上线至日调用量超200万次的文档解析服务。

• 搭建面向NLP任务的统一微调框架，集成数据增强、对抗训练与早停策略，将模型在公开基准（如CLUE、SuperGLUE）上的平均得分提升4.2个点，同时降低人工调参工作量约60%。

主导搜索排序与相关性算法升级，将单目标LTR模型扩展为基于MMoE的多目标优化框架，结合TensorFlow分布式训练和动态权重调整，使点击率提升6.8%、下单转化率提升4.2%，搜索GMV/UV提升9.5%。

• 设计并落地统一特征平台，整合用户行为、商品属性、上下文等500+实时特征，实现特征生产、存储、在线推演全链路自动化，模型迭代周期从14天压缩至4天，特征复用率提高至85%。

• 优化粗排阶段的双塔语义匹配模型，引入Transformer编码器和对比学习预训练，提升长尾商品曝光机会，使长尾品类搜索点击率提升12.3%，相关性NDCG@10从0.72提升至0.78。

• 构建全链路A/B实验与监控体系，支持每日200+实验并行，通过自动异常检测与归因分析，将模型上线风险降低40%，实验有效率从55%提升至88%。

主导设计并落地基于Kubernetes与微服务架构的通用AI算法平台，集成训练、推理、监控三大模块，支撑6条业务线同时接入，模型部署时间从3天缩短至4小时。

• 统一MLOps流水线，实现从数据预处理、模型训练到自动部署的全流程编排，将迭代周期由2周压缩至3天，模型上线失败率降低80%。

• 构建高性能模型服务网关，基于动态批处理与自适应弹性伸缩，支撑日均10亿次在线推理请求，P99延迟控制在50ms以内，资源利用率提升40%。

• 建立覆盖训练任务、模型性能与业务指标的端到端监控体系，实现异常自动告警与回滚，全年累计提前发现并修复10余次潜在故障，保障平台99.99%可用性。

• 推广标准化模型封装格式与API规范，推动算法团队交付效率提升60%，跨业务复用模型组件超过30个，减少重复开发成本约200人天。

针对原有客服系统意图识别准确率低、多轮对话能力弱的问题，基于Rasa框架搭建NLU管道，引入预训练语言模型进行语义编码，并融合业务知识图谱实现实体链接与上下文消歧，使意图识别准确率从82%提升至96%。

• 设计基于图推理的对话管理策略，利用知识图谱中实体关系支持复杂多跳查询的自动分解与应答，将一次解决率（FCR）提升35%，人工转接率降低28%。

• 主导构建覆盖200+业务实体、5000+关系的领域知识图谱，开发自动化抽取与更新流水线，使知识维护效率提高50%，支撑对话系统在三个月内覆盖6个新业务线。

• 采用预训练语言模型微调生成式回复，结合知识图谱检索增强（KG-RAG）方案，消除幻觉问题，用户满意度评分从3.2提升至4.5（满分5分），对话完成率提升42%。

针对线上图像识别模型因高延迟影响用户体验的问题，作为核心开发者设计并实现基于TensorRT的推理加速方案：通过INT8量化、算子融合及自定义C++插件补齐不兼容算子，将单次推理延迟从230ms压缩至92ms，降低60%，且精度损失控制在0.3%以内。

• 主导编写自定义OP以替换原模型中10余个TensorRT不支持的算子，采用C++手写Kernel并利用CUDA优化内存访问模式，使该部分计算耗时减少75%，确保全链路可端到端加速。

• 设计并落地自动化量化工具链，支持混合精度（FP16+INT8）自动搜索最优量化策略，对20+图像分类与检测模型进行一键优化，平均加速比达2.7倍，部署效率提升80%。

• 搭建推理服务压测与监控体系，在保持QPS ≥ 500的前提下，稳定实现60%延迟降低，并输出加速方案的最佳实践文档，被团队内3个业务线复用。

在预训练模型轻量化与落地中做出突出贡献

带领团队完成搜索排序模型重构，显著提升业务指标