腾讯
实习AI安全技术工程师（风控算法）
深圳总部/北京/广州 · 实习 · 2027 届 · 本科
长期有效
任职要求
- AI应用技能：
- 善于借助AI工具拆解复杂问题、探索解决方案，并能对AI 的输出进行高质量判断，具备人机协同的工作意识和习惯。
- 专业能力：
- 1、包括但不限于计算机科学与技术、软件工程、人工智能、信息安全、模式识别、数据科学等相关专业本科及以上学历；
- 2、扎实的数据分析、机器学习、深度学习理论基础，熟练进行特征工程、模型训练、评估与优化；有大模型（LLM）、图神经网络、强化学习等应用经验者优先；
- 3、熟练掌握Python编程语言，熟悉SQL、Spark、Hive等大数据处理工具，了解TensorFlow、PyTorch等至少一种主流深度学习框架。
- 其他：
- 1、具备较强的业务理解能力和风险敏感度，能够将复杂业务风险问题抽象为技术问题，并设计有效的解决方案；
- 2、良好的逻辑思维能力和数据敏感度，具备优秀的跨团队沟通协作能力。
- 1、在NeurIPS、ICML、KDD、AAAI、IJCAI、UAI、AISTATS、ICLR、ECML-PKDD、SIGIR 等人工智能领域顶级会议或期刊以第一作者发表过文章，或者有相关的开源项目贡献经验；
- 2、有反欺诈、内容安全或支付安全等相关经验者。
岗位描述
【岗位职责】
运用前沿AI技术守护腾讯旗下产品和服务，保障亿万用户、企业及创新业务发展。
- 1、洞察业务安全风险问题，通过数据分析和AI技术手段建立智能风险识别方案，识别账号安全、内容安全、流量安全、支付安全、大模型安全以及业务特性安全（如游戏安全、广告安全等）等领域的潜在风险；
- 2、建立产品风险评估机制，提出建设性的产品风控方案，推动风控策略落地实施与持续迭代，实现风险可控与业务体验的平衡；
- 3、持续跟踪黑灰产演进态势与业界前沿风控技术，探索大模型等新技术在风控场景的应用。
【任职要求】
AI应用技能：
善于借助AI工具拆解复杂问题、探索解决方案，并能对AI 的输出进行高质量判断，具备人机协同的工作意识和习惯。
专业能力：
- 1、包括但不限于计算机科学与技术、软件工程、人工智能、信息安全、模式识别、数据科学等相关专业本科及以上学历；
- 2、扎实的数据分析、机器学习、深度学习理论基础，熟练进行特征工程、模型训练、评估与优化；有大模型（LLM）、图神经网络、强化学习等应用经验者优先；
- 3、熟练掌握Python编程语言，熟悉SQL、Spark、Hive等大数据处理工具，了解TensorFlow、PyTorch等至少一种主流深度学习框架。
其他：
- 1、具备较强的业务理解能力和风险敏感度，能够将复杂业务风险问题抽象为技术问题，并设计有效的解决方案；
- 2、良好的逻辑思维能力和数据敏感度，具备优秀的跨团队沟通协作能力。
【加分项】
- 1、在NeurIPS、ICML、KDD、AAAI、IJCAI、UAI、AISTATS、ICLR、ECML-PKDD、SIGIR 等人工智能领域顶级会议或期刊以第一作者发表过文章，或者有相关的开源项目贡献经验；
- 2、有反欺诈、内容安全或支付安全等相关经验者。
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。