字节跳动
实习算法实习生 - 安全与风控
杭州 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 2027届本科及以上学历在读，计算机、人工智能、数据科学、统计学、信息安全或相关专业
- 熟练使用Python，掌握常用数据处理与机器学习工具，如Pandas、NumPy、Scikit-learn、PyTorch等
- 掌握SQL，能够独立完成数据提取、清洗和基础分析
- 理解常见机器学习方法，对分类、聚类、异常检测或时序建模中的至少一个方向有实践经验
- 具备基本的概率统计知识，能够合理设计实验并分析结果
- 具备良好的问题拆解、代码实现和学习能力，能够主动推进任务，对安全、风控、反欺诈、反作弊、信任与安全或异常检测方向感兴趣。
- 加分项：
- 有机器学习、数据挖掘、异常检测、时序分析、图学习或大语言模型相关项目经验
- 有安全、风控、反欺诈、反作弊或数据分析相关实习、科研或竞赛经历
- 使用过真实业务数据，处理过样本不平衡、标签稀缺或高误报问题
- 有开源项目、技术博客、论文或高质量竞赛成果
- 具备良好的工程习惯，熟悉Git、Linux和基本的软件开发流程。
岗位描述
团队介绍：我们通过部署先进的安全系统、推行标准化操作流程，构建基于零信任的安全防护体系，提升字节跳动全球办公环境的整体安全态势。我们坚持以主动预防为核心，同时构建敏捷高效的安全响应能力，为全球办公环境提供持续、可靠的安全保障。
ByteIntern：面向2027届毕业生（2026年9月-2027年8月期间毕业），为符合岗位要求的同学提供转正机会。
- 1、参与内部威胁、数据泄露、权限滥用和异常访问等风险场景的分析与检测；
- 2、使用Python、SQL对员工行为、设备、权限和资源访问日志进行数据清洗、探索分析和特征构建；
- 3、在导师指导下参与分类、聚类、异常检测、时序建模等算法的开发与实验，协助处理标签稀缺、类别不平衡、高维稀疏数据和模型误报等问题；
- 4、参与模型与检测规则的效果评估，分析误报、漏报及模型失效原因；
- 5、探索图模型、大语言模型等技术在风险检测、告警研判和证据解释中的应用，配合算法及工程团队将实验方案转化为可复现、可维护的代码并参与生产落地。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。