男 / 2000.05.15 | 138-0000-0000 | zhangwei@example.com | 南京市鼓楼区

github.com/zhangwei    juejin.cn/user/zhangwei

教育背景

GPA: 3.8/4.0 | 主修课程：机器学习、深度学习、自然语言处理、计算机视觉、强化学习、数据挖掘、算法设计与分析、Python编程、数据结构

实习经历

负责业务：智能客服系统开发与优化

• 背景：电商平台日咨询量超过500万次，人工客服成本高，响应时间长，需要AI客服提升服务效率和用户体验
• 职责：参与智能客服系统开发，负责对话模型优化、意图识别、知识图谱构建等核心模块
• 工作内容：基于Transformer架构优化对话生成模型，使用BERT进行意图识别，准确率达到92%；构建电商领域知识图谱，包含商品、订单、物流等10万+实体和50万+关系；开发多轮对话管理系统，支持上下文理解和上下文记忆，对话成功率提升25%；使用PyTorch和TensorFlow训练和部署模型，通过ONNX实现模型量化，推理速度提升3倍；集成RAG（检索增强生成）技术，结合向量数据库Milvus，提升回答准确性30%；建立A/B测试框架，对比不同模型效果，持续优化模型性能；使用Docker和Kubernetes进行模型部署和运维，支持10万+并发请求
• 产出成果：AI客服日均处理咨询量200万+，人工客服咨询量降低40%，用户满意度提升15%，获得部门优秀实习生称号

负责业务：推荐系统算法优化

• 背景：短视频平台用户日活跃量超过3亿，需要提升推荐算法准确性和多样性，增强用户粘性
• 职责：参与推荐系统算法研发，负责特征工程、模型训练、效果评估等工作
• 工作内容：使用Spark和Hadoop处理TB级用户行为数据，提取用户画像、内容特征等500+维度特征；基于DeepFM和Wide&Deep模型开发推荐算法，AUC提升5%；设计多目标优化策略，平衡点击率、停留时长、互动率等指标；使用XGBoost和LightGBM进行特征选择和模型融合，离线AUC达到0.75；建立在线实验平台，进行A/B测试，实时监控指标变化；使用Python和Scala开发数据处理和模型训练流水线；优化模型推理性能，通过特征缓存和模型压缩，响应时间从100ms降至50ms
• 产出成果：推荐算法CTR提升8%，用户平均停留时长提升12%，算法日服务请求1亿+次，获得团队认可

项目经验

智能代码生成助手

2022.09-2023.06 | 项目负责人

技术栈：GPT Transformer Python FastAPI PostgreSQL Redis

• 背景：软件开发中大量重复代码编写工作，影响开发效率，需要AI辅助代码生成工具提升生产力
• 任务：开发智能代码生成助手，支持多语言代码生成、代码补全、代码审查等功能
• 行动：
  • 使用CodeGPT和StarCoder作为基础模型，针对Python、Java、JavaScript等语言进行微调
  • 构建代码知识库，包含10万+高质量代码片段和**5万+**API文档
  • 使用LangChain框架构建代码生成流程，支持上下文理解和多轮对话
  • 开发AST（抽象语法树）解析器，验证生成代码的语法正确性
  • 使用FastAPI开发后端服务，支持RESTful API和WebSocket实时交互
  • 集成GitHub API，支持代码同步和版本管理
  • 使用PostgreSQL存储用户数据和历史记录，Redis缓存常用代码模板
  • 部署GPU集群，支持模型推理，单次生成响应时间<2s
• 结果：系统注册用户5000+，日均代码生成量1万+行，代码准确率85%，获得校级创新创业大赛一等奖，申请软件著作权1项

智能问答系统

2022.03-2022.12 | 核心开发

技术栈：BERT Flask Elasticsearch MySQL Docker

• 背景：企业内部知识文档分散，员工查找信息困难，需要智能问答系统提供快速准确的知识检索
• 任务：构建智能问答系统，支持自然语言查询，快速检索相关文档和答案
• 行动：
  • 使用BERT进行语义理解，将问题和文档转换为向量表示
  • 使用Elasticsearch构建全文检索引擎，支持模糊匹配和语义检索
  • 开发问答匹配算法，计算问题与候选答案的相似度，返回Top-K结果
  • 使用Flask开发Web服务，提供RESTful API接口
  • 使用MySQL存储知识库和用户日志，支持增量更新
  • 使用Docker容器化部署，支持弹性扩展
  • 集成Nginx实现负载均衡，支持1000+并发请求
• 结果：系统覆盖5万+文档，日均查询量2万+次，平均响应时间500ms，准确率88%，用户满意度90%+

计算机视觉目标检测系统

2021.09-2022.06 | 算法开发

技术栈：YOLO PyTorch OpenCV TensorRT

• 背景：安防监控需要实时目标检测，传统方法准确率低，需要深度学习模型提升检测性能
• 任务：开发实时目标检测系统，支持多类别目标识别，应用于安防监控场景
• 行动：
  • 使用YOLOv5作为基础模型，在COCO数据集上进行预训练
  • 针对特定场景（车辆、人员、物品）进行数据标注和模型微调，标注数据1万+张
  • 使用数据增强技术（翻转、旋转、缩放等）扩充训练集
  • 使用PyTorch训练模型，通过学习率调度和损失函数优化，mAP达到0.78
  • 使用TensorRT进行模型优化和加速，推理速度从50ms降至20ms
  • 使用OpenCV进行图像预处理和后处理
  • 开发视频流处理模块，支持实时视频分析和告警
• 结果：系统检测准确率92%，实时处理30fps视频流，应用于10+个监控点，获得省级大学生计算机设计大赛二等奖

专业技能

• 编程语言：精通Python、熟练掌握Java、C++、JavaScript，熟悉Go、Scala
• 机器学习框架：精通PyTorch、TensorFlow，熟练掌握Scikit-learn、XGBoost、LightGBM，熟悉Keras、JAX
• 深度学习：精通CNN、RNN、Transformer、BERT、GPT等模型，熟练掌握自然语言处理、计算机视觉、推荐系统，熟悉强化学习、生成对抗网络
• 数据处理：精通NumPy、Pandas，熟练掌握Spark、Hadoop，熟悉SQL、Hive、Kafka
• 系统开发：熟练掌握FastAPI、Flask、Django，熟悉Docker、Kubernetes、Nginx，了解Redis、PostgreSQL、MySQL、MongoDB
• 工具平台：熟练使用Git、GitHub、Jupyter Notebook、VS Code，熟悉Linux系统，了解AWS、阿里云等云平台