XXX科技是一家专注金融风控与智能决策的人工智能科技公司，团队规模约XXX人，核心业务是为银行、消费金融及互联网平台提供智能风控解决方案，自研AI风控平台服务超过XXX家企业客户，与多家头部金融机构建立战略合作。

工作概述：

1.风控策略制定：针对线上信贷业务坏账率攀升问题，牵头分析XXX万笔历史订单数据，定位中介欺诈和团伙作案特征；设计并部署多维度规则集与模型分数交叉验证策略，建立策略上线后的量化评估与快速迭代机制；通过策略组合应用，将高风险客户拦截率提升XXX%，策略迭代周期从月度缩短至周度。

2.模型架构设计：为解决原有单一评分卡模型区分度不足的问题，主导新一代风控模型体系的架构设计；引入集成学习框架，设计基于实时与离线特征的多模型融合打分方案；制定模型从特征工厂、训练平台到在线服务的全链路技术标准，使得模型PSI稳定性提升XXX个基点。

3.特征工程优化：负责构建支撑所有模型的特征平台，处理每日新增XXX亿条的原始行为数据；设计基于时间滑动窗口的统计特征自动化生产流水线，开发针对图关系数据的社区发现特征；通过特征重要性分析和共线性排查，将特征池有效维度压缩XXX%，模型训练效率提升XXX%。

4.模型部署上线：管理模型从开发测试到生产环境部署的全流程，搭建基于Docker和Kubernetes的模型服务集群；编写模型服务API接口规范与性能压测方案，解决线上服务因特征计算延迟导致的超时问题；实现模型版本的热切换与灰度发布，将模型上线平均耗时从XXX天降低至XXX小时。

5.系统性能监控：建立覆盖模型性能、数据质量和系统稳定性的三位一体监控体系；定义并追踪模型KS值、PSI、特征缺失率等XXX个核心指标，配置自动化报警规则；通过根因分析定位多起由数据源异常导致的模型分数漂移事件，保障系统全年可用性达到XXX%。

6.线上实验分析：主导风控策略与模型的线上AB测试，设计科学分桶与实验评估框架；分析实验组与对照组在通过率、坏账率等关键业务指标上的差异，完成XXX次大型策略实验的收益评估；实验分析结论直接驱动了XXX个核心策略的优化方向，实现风险成本节约XXX万元。

7.团队知识沉淀：负责风控算法团队的技术培训与知识库建设，编写《风控模型实战手册》等XXX份内部文档；组织每周技术分享，培养XXX名初级工程师独立承担模型开发任务；推动团队代码评审规范与模型设计文档模板化，将项目交接效率提升XXX%。

工作业绩：

1.主导构建公司新一代智能风控体系，策略规则覆盖全业务流程，支撑公司核心产品年处理信贷申请XXX亿笔。

2.设计的融合模型在多个头部客户项目中落地，模型KS值稳定在XXX以上，相比旧模型提升XXX。

3.负责的特征平台日均处理数据XXXTB，为超过XXX个模型提供稳定特征服务，特征生产任务准时完成率达XXX%。

4.搭建的模型部署与监控体系，支撑了XXX个模型服务的稳定运行，全年无重大线上事故。

5.通过严谨的线上实验分析，累计推动XXX项策略优化上线，实现年度风险成本降低XXX%。

6.带领团队完成技术知识体系化建设，培养核心骨干XXX人，团队整体项目交付效率提升XXX%。

公司核心风控产品的一次重大架构升级，原有基于规则引擎的专家系统无法应对日益复杂的欺诈手段，规则数量膨胀至XXX条导致维护困难且冲突频发，模型迭代周期长达X周，无法快速响应市场变化。服务于XXX家金融机构客户时，在交易高峰时段，系统决策耗时波动大，峰值延迟达Y秒，导致部分客户体验下降。

项目业绩：

1.新系统上线后，自动化审核率提升至XX%，单笔信贷申请的平均决策时间从X秒稳定降至Y秒以内。

2.融合模型在多个客户测试中表现优异，反欺诈识别准确率提升XX%，在可比通过率下，预估坏账率降低XX个基点。

3.决策引擎支持每秒XXX笔的并发请求，系统可用性达到X

X.XXX%，成功支撑了XXX大促期间的流量高峰。

4.项目成果成为公司标杆解决方案，直接助力与X家大型银行完成新合同签约，带来年度营收增长XXX万元。

GPA X.XX/ X.X（专业前XX%），主修机器学习、数据挖掘与算法设计核心课程，参与课程设计《基于机器学习的金融风控预测系统》，负责特征工程与逻辑回归、随机森林模型实现，在Kaggle公开数据集上取得AUC达X.XXX的成绩，熟练掌握Python、SQL及Spark基础开发。