机器学习高级工程师 | 专注风控算法与AI落地
🔍 致力于通过机器学习与大数据技术解决业务风险问题，擅长从0到1构建风控体系，推动技术成果转化为商业价值。
- 乔治亚理工学院 | 计算机科学与工程硕士
- 核心课程：人工智能、计算数据分析、建模与仿真
- GPA：3.7 / 4.0
- 华南理工大学 | 土木工程本科
- GPA：3.7 / 4.0
- 荣誉：优秀毕业生论文、国家奖学金
- 核心方向：物流业务安全风控算法研发
- 构建用户画像与账号信用体系，落地黑灰产挖掘、支付风险防控等解决方案；
- 设计“风险发现-拦截处置-效果追踪”全流程闭环，提升风险识别精准度与业务合规性；
- 跨部门协同推进风控方案落地，优化用户体验与风险防控平衡。
- 主导安防网络智能化管理，通过机器学习优化视频流分析与设备布局；
- 运用数据挖掘输出产品迭代策略，提升安防解决方案的安全性与用户需求匹配度。
- 技术亮点：
- 结合RFM模型与K-Means聚类实现客户风险分层，低风险客户快赔时效提升50%+；
- 基于XGBoost构建智能预测模型，通过特征工程与模型融合，AB测试后准确率提升20%；
- 设计“模型预警-拦截处置”机制，推动实名认证等防控措施，理赔率降低30%+。
- 技术落地：
- 整合天眼查等第三方数据，通过DeepSeek大模型完成百万级数据清洗，准确率提升至95%；
- 基于图数据库构建企业关系图谱，识别复杂关联关系，风险预警准确率提升25%；
- 应用于信用评级与风险传导分析，优化账期与信用额度策略。
- 模型架构：
- 设计行业、财务、行为三子模型，通过Stacking融合输出综合评分；
- 采用LightGBM/XGBoost平衡精度与可解释性，引入AutoML自动化调优，开发效率提升40%；
- 基于SHAP/LIME解析决策逻辑，坏账率降低18%，资金回收效率提升22%。
- 参赛成果：
- 初赛：基于亿级运单数据，用LightGBM实现产品智能推荐，通过Docker部署；
- 决赛：基于BERT模型的客服对话意图识别，多模型融合提升F1值至0.92；
- 团队负责人，统筹53支队伍中脱颖而出，斩获冠军。
核心发明人，拥有以下发明专利：
- 《基于XGBOOST算法的快件理赔预警技术》（专利号：201810067080.0）
- 《基于随机森林算法的理赔预警模型》（专利号：201810067068.X）
- 《快件理赔中的不均衡采样方法》（专利号：202110725582.X）
- 《物流领域基于相似图片理赔欺诈预警方法》（专利号：202211414010.0）
- 算法与模型：XGBoost/LightGBM、图神经网络、BERT/NLP、AutoML
- 数据处理：Spark、多源数据整合、大模型实体抽取（如DeepSeek）
- 工程落地：Docker部署、风控策略引擎设计、AB测试与模型监控
- 技术探索：联邦学习、大模型在风控中的应用
- 生活爱好：徒步、摄影、吸猫
- 邮箱、微信：可通过GitHub私信获取
欢迎交流风控算法、机器学习落地等方向，期待合作！