个人信息
- 姓名：虞天
- 性别：男
- 电话：+86 151-6813-1809
- 邮箱：leoyutian@yeah.net
- 地址：浙江省杭州市
- blog：blog.loveatcorner.com.cn
- website：demo.loveatcorner.com.cn
自我描述
1、5年算法开发/研究及实践落地经验，具备良好的数学与算法功底，较好的算法设计、开发、架构、部署能力，熟悉全链路的算法开发细节。
2、理解常见的机器学习方法，熟悉主流的预训练/大语言模型，包括 Bert/Transforer、GPT/InstructGPT/ChatGPT、Lama2 等。理解大模型基础知识及常见微调方法SFT/RLHF/IFT/PEFT。
3、扎实的编程，算法与数据结构能力，熟悉 Python 算法开发及 Linux 常见操作。熟悉Sklearn/TensorFlow/Pytorch 等算法框架；具有大模型应用RAG的研发经验，使用过 Prompt、Langchain、Llamaindex、Agent/Functioncall、Miluvs/Fassis/Pinecone 等大模型主流开发工具。
4、综合能力突出，具备较强的分析与解决问题的能力；拥有美国常青藤院校的学习经历，出色的中英文表达、阅读、文章/专利撰写能力。
教育背景
-
康奈尔大学（美国） | 运筹学 | 硕士 | 2018 - 2020
- 专业方向：计算信息学
- 主修课程：统计学方法、优化计算、数据驱动的机器学习、面向对象编程与数据结构、统计应用中的Python编程
-
北京石油化工学院 | 化学工程 | 学士 | 2014 - 2018
- GPA：3.85/4.0
- 基础课程： 高等数学，线性代数，概率论与数理统计
- 获奖经历：一等奖学金一次，二等奖学金一次，三等奖学金二次
工作经历
亚信科技（中国）有限公司 | 大模型算法工程师
2023.05 - 至今 | 杭州
- 主导基于大模型的商客营销助理设计与实现，结合RAG技术和CoT技术实现对话系统的智能性，一线生产效率提升30%，营销转化率达14.1%，较传统营销转化率提升5PP。
- 开发智慧字典插件，设计大模型微调策略，利用LORA技术注入领域知识，优化模型表现，基于vllm框架完成服务的私有化部署，功能上线大数据平台后，省公司1.85万张数据表的字典完整率由10%提升至100%，字典准确率提升至97%，完善存量数据字典的人工成本由3600人天减少至300人天。
杭州大箴科技有限公司 | 算法工程师
2021.09 - 2022.12 | 杭州
- 开发数据圈选流程，通过MinHash + LSH算法近似去重，搭配正反向组合正则，实现每日上亿增量数据的高效过滤。
- 开发文本结构化能力，训练DPCNN和LSTM-CRF模型完成短文本分类与命名实体识别任务，分类准确率达92%，实体F1值达90%
杭州安恒信息股份有限公司 | 算法工程师
2020.05 - 2021.09 | 杭州
- 主导违法网站识别项目，基于TextCNN和ResNet18模型实现涉黄、涉赌等违法内容的精准分类，识别准确率分别达99%和94%。
- 开发网页存活性检测功能，将网站存活率提升至99%，显著降低误报率。
- 利用Single-pass增量聚类算法挖掘黑灰产网站同源模板。
- 模型上线以后，持续为净网活动提供数据支持，累计处理违法网站116,274个，提炼数千套网站模板。
项目经历
1. 基于大模型的商客营销助理
- 项目背景：针对移动政企客户产品的营销工作中存在的人力成本高、推荐效率低的问题，设计并实现了一套的营销推荐对话系统，旨在通过自然语言交互精准捕捉用户需求，提升客户转化率。
- 主要职责：
- 主导技术方案设计，贴合业务需求，梳理多轮对话管理，意图识别模块，知识库检索模块以及推荐决策模块的时序交互逻辑。
- 沟通营销业务员，将复杂营销推荐逻辑转化成提示词中CoT逻辑。
- 协调前后端团队，实现服务的私有化部署与接口联调，支持web，客服系统两种入口
- 技术挑战与解决方案：
- 回复智能性较低：通过内置大模型逻辑链提升系统回复的智能性。
- 业务背景知识偏差：利用高质量结构化知识库优化检索与生成逻辑。
- 项目成果：
- 100%覆盖商客经理，月均使用人数1700+，一线生产效率提升30%
- 营销转化率达14.1%，较传统营销转化率提升 5PP
2. 基于大模型的数据盘点系统插件
- 项目背景：针对传统数据字典维护成本高、准确性不足的问题，开发了一套基于大模型的数据盘点系统插件，旨在提升数据目录的完整性和准确性，支持企业数智化转型。
- 主要职责：
- 协助业务专家，梳理对齐训练数据，补全企业数据中大量存在且意义不明的首字母缩写，行话黑话等领域知识
- 基于llama_factory在内网A40服务器上搭建训练平台，利用LORA技术微调qwen1.5-7B模型，注入业务领域的专有知识
- 基于vllm框架封装高效的推理服务接口
- 对接大数据平台开发团队，完成数据盘点服务的私有化部署
- 技术挑战与解决方案：
- 训练过拟合问题：采用领域知识和通用知识1:1的配比，均衡训练数据分布。
- 生成内容幻觉问题：在模型生成后，使用独立的检索模块对回答进行事实核验，若检测到与 KB 冲突的内容，则触发补充检索或进行重生成
- 项目成果：
- 省公司1.85万张数据表的字典完整率由10%提升至100，数据字典准确率达到97%
- 完善存量数据字典的人工成本由3600人天减少至300人天
3. 文本结构化能力
- 项目背景：针对海量短文本数据中信息抽取与分类的需求，开发高效的文本结构化能力，实现要素信息的精准抽取和结构化存储。
- 主要职责：
- 实现MinHash + LSH算法近似去重算法，搭配自定义的正反向组合正则，实现海量数据的高效圈选
- 基于pytorch实现DPCNN的短文本分类模型的训练和推理流程，针对不同类型的文本任务调配损失和超参数
- 建立精确率（Precision） / 召回率（Recall） / F1 值模型性能指标体系
- 技术挑战与解决方案：
- 短文本语义稀疏：通过引入bert的预训练词向量和自定义词表，提高语义捕捉能力。
- 训练时效不足：重构训练代码支持一机双卡（T4）服务器上的分布式训练
- 项目成果：
- 短文本分类模型准确率提升至92%，命名实体识别模型F1值达90%以上。
- 实现每日上亿增量数据的高效处理，为电商、银行等行业建模提供高质量数据支持。
4. 违法网站识别模型
- 项目背景：响应公安“净网行动”，设计并开发了一套违法网站识别算子，旨在从海量互联网数据中精准分类与实时过滤涉黄、涉赌等违法内容。
- 主要职责：
- 基于TextCNN构建文本分类模型，精准识别违法内容。
- 引入ResNet18模型，优化黑产SEO篡改图片的误报问题。
- 利用single-pass聚类算法挖掘黑灰产网站同源模板。
- 技术挑战与解决方案：
- 黑产SEO篡改问题：采用图像识别、语义特征建模等多模态识别方案，提升检测精度。
- 违法网站模板化干扰：通过增量聚类算法，挖掘违法网站的模板特征，实现全网络扫描引擎上的批量指纹识别。
- 项目成果：
- 涉黄网站和涉赌网站识别准确率分别达99%和94%。
- 每日精准过滤约1,000个违法网站，累计处理超11万条违法网站。
奖项与荣誉
- 2023年，专利《一种基于大模型的资源盘点元数据管理工具》
- 2022年，证书 PMP（项目管理专业人员资格认证）（国际认证）
- 2021年，专利《一种实体识别噪音数据的清洗及建模方法和装置》
- 2020年，专利《一种违法网站识别方法、装置、设备及存储介质》
- 2020年，证书《数据科学专业》（康奈尔大学运筹学学院认证）
- 2018年，北京石油化工学院优秀毕业生
兴趣爱好
阅读技术博客、开源项目开发、羽毛球