下载验证

captcha
简单简历
张明远

张明远

资深风控算法工程师 上海

自我介绍

资深风控算法工程师，8年金融科技领域经验，专注反欺诈、信用评分与实时风控系统建设。擅长机器学习模型全生命周期管理与AI协作式研发，具备大规模生产系统落地能力。

工作经历

2021/06 - 至今

某头部金融科技公司

高级风控算法专家 上海

负责公司级风控算法中台建设，带领8人算法团队，统筹信贷、支付、保险三大业务线的风控模型研发。重点推进AI原生工程能力在风控场景的落地，建立模型全生命周期管理体系。

实时智能风控决策引擎重构

  • 重构原有基于规则的风控引擎，升级为支持模型热更新、A/B测试、灰度发布的智能决策平台，覆盖贷前、贷中、贷后全生命周期风险管控。
  • 微服务架构，基于Flink实时计算框架，模型服务采用TensorFlow Serving + Triton Inference Server双栈部署，特征平台基于Feathub构建，存储层使用Redis Cluster与TiDB，通过Kafka实现事件驱动架构
  • 担任技术负责人，统筹架构设计与核心模块开发，协调算法、工程、产品三方资源，制定模型上线标准与回滚策略
  • 技术栈: TensorFlow Serving Triton Inference Server Flink Feathub Redis Cluster TiDB Kafka gRPC
  • 挑战: 模型推理延迟优化: 通过模型量化、动态批处理与缓存预热，将单笔风控决策延迟从120ms降至35ms，P99控制在80ms以内
  • 挑战: AI协作式研发实践: 基于Claude Code与GitHub Copilot构建算法研发工作流：利用Claude Code进行复杂特征工程脚本的模块拆解与实现方案设计，通过GitHub Copilot生成单元测试与文档注释；所有AI生成代码需经本地pytest验证、SonarQube静态检查及人工代码审查后方可合并，建立AI辅助编码的权限边界与可回滚机制
  • 挑战: 混合检索风险画像: 构建基于用户行为序列的混合检索系统，结合向量相似度与规则过滤实现欺诈团伙识别，召回率提升23%
  • 挑战: 可观测性体系建设: 集成Prometheus + Grafana + Jaeger实现模型服务全链路追踪，建立特征漂移、模型衰减的自动化告警与降级策略

图神经网络反欺诈模型

  • 针对团伙欺诈识别难题，设计并落地基于图神经网络的反欺诈模型，整合设备指纹、社交关系、交易行为等多维异构数据。
  • 图数据存储采用NebulaGraph，图神经网络基于DGL框架实现，训练管道使用Kubeflow Pipelines编排，模型推理通过自定义PyTorch Geometric Serving组件部署
  • 主导算法方案设计与核心模型开发，负责图特征工程与模型优化，推动模型从实验到生产的全周期落地
  • 技术栈: DGL PyTorch Geometric NebulaGraph Kubeflow Pipelines PyTorch Python Spark GraphX
  • 挑战: 欺诈团伙识别提升: 相比传统规则与XGBoost模型，团伙欺诈识别率提升41%，误杀率降低18个百分点，年化减少欺诈损失约2.3亿元
  • 挑战: 模型版本管理与灰度发布: 建立基于MLflow的模型版本管理体系，实现模型A/B测试与灰度发布，支持按流量比例、用户分层、地域维度的精细化模型路由
  • 挑战: 成本与延迟治理: 通过图采样策略优化与模型蒸馏，将GNN推理成本降低67%，满足实时决策场景的性能要求

2017/07 - 2021/05

某股份制银行信用卡中心

风控算法工程师 深圳

负责信用卡业务全流程风控模型开发，包括申请评分、行为评分、催收评分等核心模型。参与风控数据集市建设，推动传统评分卡模型向机器学习模型的迭代升级。

信用卡申请评分卡模型升级

  • 将传统逻辑回归评分卡升级为梯度提升树模型，整合内外部数据源，提升新客户信用评估准确性。
  • 数据层使用Hive数仓与Greenplum，特征工程基于Spark SQL与Python Pandas，模型训练采用XGBoost与LightGBM，模型部署通过自研Python Flask服务实现
  • 独立完成特征工程与模型训练，参与模型验证与上线部署，撰写模型验证报告与监控方案
  • 技术栈: XGBoost LightGBM Spark SQL Hive Greenplum Flask Python SQL
  • 挑战: KS值提升: 模型区分度KS值从0.32提升至0.41，坏账预测能力提升28%
  • 挑战: 特征体系规范化: 建立统一的特征衍生规范与文档管理体系，沉淀可复用特征1200+
  • 挑战: 模型监控体系搭建: 设计并实现模型性能监控Dashboard，涵盖PSI、CSI、AUC等核心指标，实现模型衰退的自动化预警

贷中风险预警系统

  • 构建基于用户行为变化的贷中风险实时预警系统，识别潜在逾期风险客户，实现差异化风险干预。
  • 实时计算基于Spark Streaming，规则引擎采用Drools，模型服务为自研Java服务，数据存储使用MySQL与Elasticsearch
  • 负责预警规则设计与模型特征开发，参与实时计算任务开发与系统联调
  • 技术栈: Spark Streaming Drools Elasticsearch MySQL Java Spring Boot
  • 挑战: 预警准确率提升: 风险客户识别准确率从62%提升至81%，提前干预率提升35%
  • 挑战: 规则引擎性能优化: 通过规则预编译与缓存优化，将规则匹配耗时从45ms降至12ms

开源贡献与论文

技术认证

AWS Certified Machine Learning – Specialty（2023）；阿里云大数据分析师认证（2022）；FRM金融风险管理师一级（2021）

开源贡献

Apache Flink社区贡献者，参与风控场景相关Connector优化；维护个人技术博客（月均阅读量5000+），专注风控算法与AI工程实践分享

专业技能

机器学习与统计建模

  • 精通信用评分卡（逻辑回归）、梯度提升树（XGBoost/LightGBM/CatBoost）、随机森林等传统机器学习算法
  • 熟悉深度学习在风控中的应用，包括DNN、Wide&Deep、DeepFM等
  • 掌握生存分析、时间序列预测等统计方法
  • 具备模型可解释性分析能力（SHAP、LIME、PDP）
  • 熟悉不平衡样本处理、特征选择、超参优化等模型调优技术

图算法与网络分析

  • 熟练运用图神经网络（GCN、GraphSAGE、GAT）进行团伙欺诈识别
  • 掌握图嵌入技术（Node2Vec、DeepWalk）与社区发现算法（Louvain、Label Propagation）
  • 具备大规模图数据处理能力，熟悉NebulaGraph、Neo4j等图数据库
  • 能够结合网络拓扑特征与属性特征构建复合风险画像

实时计算与工程架构

  • 精通Flink实时流处理与Spark批处理开发
  • 熟悉特征平台设计与建设，掌握Feathub、Tecton等特征存储方案
  • 具备模型服务化经验，熟练使用TensorFlow Serving、Triton Inference Server、TorchServe等推理框架
  • 了解Kafka、Pulsar等消息队列，能够设计高并发、低延迟的实时风控决策链路

AI协作式研发与MLOps

  • 实践AI辅助算法研发工作流：使用Claude Code进行复杂任务的模块拆解与方案设计，通过GitHub Copilot生成测试用例与文档，利用Cursor进行代码重构与调试
  • 建立AI生成代码的本地验证、CI检查、代码审查流程
  • 掌握MLflow模型版本管理、Kubeflow Pipelines训练编排、Prometheus/Grafana监控告警
  • 实现模型A/B测试、灰度发布、自动降级等生产治理策略

金融业务与风控策略

  • 深入理解巴塞尔协议、银保监会监管要求及个人信息保护法合规要求
  • 熟悉信贷产品全生命周期风控策略设计，包括准入、授信、定价、调额、催收等环节
  • 具备丰富的反欺诈实战经验，涵盖身份冒用、盗刷、洗钱、团伙欺诈等场景
  • 能够基于ROI分析制定风险策略，平衡风险与收益

教育经历

2014/09 - 2017/06

上海交通大学 应用统计学

硕士 上海

核心课程：高级回归分析、机器学习与数据挖掘、金融计量经济学、时间序列分析、贝叶斯统计、统计计算

学术成就：发表SCI论文2篇（《Journal of Financial Econometrics》等），硕士论文获校级优秀毕业论文；参加全国研究生数学建模竞赛获一等奖

技能培养：系统掌握统计推断、预测建模与优化方法，具备扎实的数学基础与编程能力（R/Python/MATLAB）