核心目標(biāo)： 研發(fā)前沿算法，為醫(yī)療文本（尤其病歷）的深度理解與智能應(yīng)用提供核心模型能力。
崗位職責(zé)：
1、核心算法研發(fā)與優(yōu)化：負(fù)責(zé)電子病歷相關(guān)的NLP算法研發(fā)，包括醫(yī)學(xué)實(shí)體識別、關(guān)系抽取、文本分類（質(zhì)控規(guī)則判定）、語義相似度計(jì)算等，持續(xù)提升模型在醫(yī)療專業(yè)場景下的準(zhǔn)確率與魯棒性。
2、大模型與知識增強(qiáng)技術(shù)：
l對通用大語言模型進(jìn)行領(lǐng)域適配（Domain Adaptation）與高效微調(diào)（如LoRA, QLoRA），使其掌握醫(yī)療專業(yè)知識與病歷書寫規(guī)范。
l 深入研究與優(yōu)化檢索增強(qiáng)生成技術(shù)，負(fù)責(zé)RAG系統(tǒng)中核心算法組件的研發(fā)，包括但不限于：嵌入模型訓(xùn)練與優(yōu)化，以提升醫(yī)學(xué)概念的表征能力；檢索排序算法優(yōu)化，以提升病歷段落檢索的精準(zhǔn)度；探索重排序、HyDE等技術(shù)在提升答案質(zhì)量上的應(yīng)用。
3、知識體系建設(shè)：結(jié)合規(guī)則與深度學(xué)習(xí)算法，從海量病歷與非結(jié)構(gòu)化文獻(xiàn)中抽取知識，構(gòu)建與迭代醫(yī)療知識圖譜，并研究基于圖譜的推理與問答技術(shù)。
4、全鏈路效果提升：從數(shù)據(jù)構(gòu)造、模型訓(xùn)練、評估到上線，對算法效果全流程負(fù)責(zé)。設(shè)計(jì)科學(xué)的實(shí)驗(yàn)，分析模型誤差，提出并實(shí)施有效的改進(jìn)方案。
5、技術(shù)前瞻與賦能：跟蹤NLP與醫(yī)療AI前沿技術(shù)，進(jìn)行原型驗(yàn)證，撰寫技術(shù)專利與論文，并為團(tuán)隊(duì)進(jìn)行技術(shù)分享。
任職要求：
1、學(xué)歷專業(yè)：計(jì)算機(jī)科學(xué)、人工智能、生物醫(yī)學(xué)信息學(xué)等相關(guān)專業(yè)，碩士及以上學(xué)歷優(yōu)先。
2、技術(shù)基礎(chǔ)：
l 扎實(shí)的機(jī)器學(xué)習(xí)/深度學(xué)習(xí)基礎(chǔ)，精通NLP核心任務(wù)及Transformer系列模型原理。
l 熟練掌握Python及PyTorch/TensorFlow框架，有使用Hugging Face生態(tài)進(jìn)行模型訓(xùn)練與微調(diào)的豐富經(jīng)驗(yàn)。
l 深入理解RAG技術(shù)架構(gòu)及其核心算法組件（檢索器、嵌入模型、重排器），有實(shí)際項(xiàng)目優(yōu)化經(jīng)驗(yàn)者優(yōu)先。
l 熟悉常用的數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)庫。
3、經(jīng)驗(yàn)與能力：
l 具備醫(yī)療NLP項(xiàng)目經(jīng)驗(yàn)者優(yōu)先，熟悉電子病歷數(shù)據(jù)結(jié)構(gòu)、醫(yī)學(xué)術(shù)語體系及臨床邏輯。
l 出色的邏輯思維和問題拆解能力，能從復(fù)雜的業(yè)務(wù)問題中抽象出核心算法挑戰(zhàn)。
l 良好的團(tuán)隊(duì)協(xié)作和溝通能力，能清晰闡述算法方案與價值。
4、重大加分項(xiàng)：
l 在知識圖譜構(gòu)建、信息檢索、大模型微調(diào)等任一方向有深入研究或項(xiàng)目成果。
l熟悉多模態(tài)模型或強(qiáng)化學(xué)習(xí)在NLP中的應(yīng)用。