江屿 · AI深度学习算法工程师

• 面向亿级日活的内容审核与个性化分发场景，参与计算机视觉与推荐召回两个方向多个深度学习模型从离线训练到线上部署的全流程落地，2 年累计支撑核心业务上线模型 6 个以上

• 负责维护基于 GPU 集群的模型训练流水线，统一数据预处理、训练与评估环节，并引入混合精度训练，将单次实验平均周期由约 2 天缩短至 8 小时、训练显存占用降低约 30%

• 主导所负责模型的线上 A/B 实验设计与效果分析，建立离线指标与线上业务指标的对齐校验机制，累计支持 A/B 实验 30 组以上，将模型上线前的效果误判率降低约 40%

• 配合团队搭建线上模型效果监控看板，实时跟踪推荐与审核核心指标的日常波动，将模型效果异常的平均发现时长从天级缩短至小时级

• 针对旧规则引擎对变形违规图像漏检严重、规则维护成本高的问题，基于 ResNet-50 搭建违规图像分类模型替换核心规则链路，将违规召回率从约 82% 提升至 96%，误杀率同步下降约 40%

• 面对违规样本稀少且类别分布极不均衡，设计随机裁剪/旋转/色彩抖动与 MixUp 组合的数据增强方案，并引入难例挖掘回流标注，使占比不足 5% 的小类违规召回提升约 18 个百分点

• 为满足审核链路低延迟要求，将 ResNet 教师模型通过知识蒸馏压缩为轻量学生网络，模型体积缩小约 70%、单图推理耗时从 45ms 降至 16ms，单卡吞吐提升约 2.6 倍

• 搭建 badcase 自动回流与周级重训练流程，使模型上线后召回率随业务样本持续迭代，三个月内违规漏检工单环比下降约 35%

• 针对原有单路协同过滤召回多样性不足、长尾内容曝光偏低的问题，基于用户近期行为序列引入 RNN 序列建模刻画兴趣演变，将单路召回升级为多路召回架构，线上推荐品类覆盖度提升约 18%

• 设计并实现用户塔与内容塔的双塔模型，离线训练后导出 item 向量并基于 Faiss 构建近似最近邻索引完成向量召回，单次检索延迟控制在 10ms 以内，稳定支撑千万级内容库

• 主导召回侧特征工程，清洗用户点击/停留/互动等行为信号并构造序列与统计类特征共 40+ 维，使双塔召回的 Recall@200 较 baseline 提升约 12%

• 针对新用户行为稀疏的冷启动场景，补充基于兴趣标签与热门内容的兜底召回路并设定动态融合权重，新用户次日留存提升约 3%

• 推动多路召回结果的融合去重策略落地并与排序团队联调上线，A/B 实验显示整体点击率提升约 5%、人均消费内容条数提升约 7%

• 针对审核、推荐、搜索三条业务线各自重复建设图文特征的现状，参与搭建多模态内容特征中台（Fusion），基于双塔 Transformer 构建图文统一表征并沉淀为标准化可复用特征，下游业务特征接入周期由约 2 周缩短至 3 天

• 负责图文对比学习预训练链路的落地，清洗构建约 1200 万图文对训练样本，采用 InfoNCE 对比损失对齐跨模态语义，图文跨模态检索 Recall@10 由 71% 提升至 86%

• 封装统一特征提取在线服务，结合特征缓存与模型量化将 P99 延迟压至 80ms 以内，平稳支撑日均约 6 亿次特征调用

• 搭建离线/在线特征一致性校验流程，覆盖核心表征字段，将特征穿越与版本错配类问题的排查耗时缩短约 60%

• 在内部图文相关性评测集上，统一多模态表征相比原单模态方案 AUC 提升 4.2 个百分点，已被推荐召回与搜索排序两条业务线复用

因研究生阶段学业成绩与科研表现综合排名居于前列而获评。

在图像识别赛道中与全国参赛队伍同场竞技，获评全国二等奖。