XXX科技是专注为金融与泛互联网行业提供AI解决方案的科技公司，团队规模约XXX人，核心业务是基于计算机视觉与自然语言处理技术开发智能内容审核、风险识别及推荐系统，产品服务超过XXX家企业客户，与多家区域级银行及平台型公司建立合作关系。

工作概述：

1.模型选型与调优：针对电商平台的图文违规内容识别业务，对比并选定YOLO系列和CNN-Transformer混合架构作为基础模型；深入分析业务漏报样本，调整模型损失函数权重并引入困难样本挖掘策略；通过网格搜索与贝叶斯优化方法进行超参数调优，结合线上AB测试验证效果，最终将违规内容识别准确率提升XXX个百分点，召回率提升XXX个百分点。

2.数据处理流程：为解决训练数据噪声大、标注不一致的问题，设计并实施多轮数据清洗规则；搭建半自动化数据标注平台，集成主动学习模块筛选高价值样本供标注团队优先处理；建立数据质量监控指标与定期抽样复核机制，使得后续模型迭代周期的数据准备效率提升XXX%，训练集质量评分提升XXX分。

3.模型部署上线：负责将训练好的图像分类模型从实验环境部署至生产环境；将Pytorch模型转换为ONNX格式并利用TensorRT进行推理优化；设计并实现缓存预热与动态批量处理逻辑以应对流量峰值，模型服务在XXX核CPU与XXX张GPU卡上的推理平均耗时从XXX毫秒降至XXX毫秒，服务资源成本下降XXX%。

4.算法性能监控：建立算法服务线上监控体系，跟踪模型预测结果的分布漂移与关键性能指标；设计自动化预警规则，当模型准确率连续下降超过阈值时触发告警；定期分析bad case并归类，形成模型迭代需求文档，推动将平均问题发现与修复周期从XXX天缩短至XXX天。

5.跨部门协作：与产品经理协作拆解业务需求，将模糊的‘识别不良内容’需求转化为具体的多标签分类与相似度匹配任务；与后端工程师对接，明确接口规范与性能要求，共同设计异步任务队列以处理大批量内容；参与客户技术方案沟通会，解释模型能力边界，收集反馈并输出技术可行性评估报告，支撑了XXX个新客户项目的成功落地。

6.技术沉淀分享：总结模型优化与部署中的实践经验，撰写《XXX场景下目标检测模型轻量化指南》内部技术文档；主导组织部门内算法技术分享会X次，主题涵盖数据增强技巧与模型压缩方法；推动建立团队代码与实验记录规范，使得新同事接入项目的平均上手时间减少XXX天。

工作业绩：

1.主导完成X个核心AI模型的研发与优化，在内容审核与金融风控场景下，关键模型指标（准确率/召回率/F1值）平均提升XXX个百分点以上。

2.构建并维护覆盖数据采集、清洗、标注到监控的全流程工作流，支撑了累计XXX万条训练数据的生产，数据生产效率提升XXX%。

3.成功将X个算法模型部署上线并稳定运行，服务日均调用量达XXX万次，平均响应时间低于XXX毫秒，保障了XXX家客户服务的SLA。

4.通过算法监控与快速迭代机制，累计处理线上模型性能问题XXX个，将因模型效果下滑导致的客户投诉量降低XXX%。

5.高效协同产品与工程团队，推动X个算法模块从0到1落地应用，直接贡献了年度产品合同金额的XXX%。

6.完成X篇高质量内部技术文档与分享，相关实践被采纳为团队标准流程，提升了整体研发效能。

公司为某头部短视频平台提供的核心内容安全与推荐增强项目，原有基于关键词和简单图像规则的审核系统误伤率高且难以识别新型违规内容，每日需处理XXX万级别的视频流，人工复审压力巨大；同时，内容标签体系粗糙，导致推荐相关性不足，影响用户留存。项目目标是通过多模态算法实现对视频内容的高精度分类、敏感元素检测与细粒度标签生成。

项目业绩：

1.视频内容分类准确率达到XXX%，较旧系统提升XXX个百分点，误判率降低XXX%，每日减少人工复审工作量约XXX小时。

2.细粒度标签体系覆盖XXX个类别，标签应用于推荐系统后，用户视频平均观看时长提升XXX秒，次日留存率改善XXX个百分点。

3.上线的多模态推理服务支持峰值QPS达XXX，平均处理延迟控制在XXX毫秒以内，服务运行稳定，通过客户压力测试。

4.项目成果成为公司内容理解领域的标杆案例，助力团队后续赢得同类型客户订单X个。

GPA X.XX/X.X（专业前XX%），主修机器学习、计算机视觉与自然语言处理核心课程，参与基于深度学习的医学图像分割课程项目，负责模型构建与训练部分，使用PyTorch框架在公开数据集上实现模型并达到XXX的评估指标，熟练掌握Python编程及Linux开发环境，熟悉SQL进行基础数据分析。