普通话
0
1
2
3
4
5
0
1
2
3
4
5
14天前在线
产品助理
杭州全职 · 400/日 · 8700/月信用正常
工作时间: 工作地点:
远程
服务企业:
0家累计提交:
0工时
联系方式:
********
********
********
****************
查看联系方式
个人介绍
我是程序员客栈的谭雅文，一名AI产品经理；
主导过2个AI产品从0-1落地，包括期货交易的智能客服（基于LLM+RAG）和游戏平台的智能推荐
和语音交互（协同过滤+Transformer+Whisper），覆盖百万级用户，关键指标显著提升（留存率上升29%，付
费转化率上升33%）
精通AI产品全流程设计，熟练运用KANO模型、AB测试等工具，主导智能客服系统开发（LLM意
图识别准确率96.3%），输出高保真原型20+份，用户满意度4.8/5（NPS61）。
以结果为导向，6个月内推动AI产品上线，快速学习并落地，具备9人团队管理经验，适应
高强度工作节奏。
熟悉LLM、RAG、Transformer、决策树等AI技术应用，掌握Python+Django开发，具备Mysql数据
库经验，主导多语言处理流水线开发（基于朴素贝叶斯的方言识别准确率91%
工作经历
2023-03-01 -2025-02-20杭州艺杰网络科技有限公司AI产品经理
工作职责： 主导用户调研（N=1500+），提炼核心AI需求场景，输出高质量PRD文档，确保需求文档一次通过率100%。 制定AI功能优先级矩阵，推动需求-技术方案精准映射，建立AI功能优先级评估模型（ROI误差86%，整体准确率>90% 业务效果： 成本：将每用户成本控制在 ≤ 0.1 美元，通过优化API调用和数据库查询降低成本。 满意率：用户满意率 ≥ 85%，确保用户对客服系统的整体体验满意。 游戏平台（智能推荐&语音交互） 项目背景： 印度尼西亚是东南亚最大的棋牌游戏市场之一，用户对本地化游戏体验和社交互动需求强烈。为提升用户留 存率、付费转化率和社交互动频率，我们计划引入智能推荐系统和语音交互功能，通过AI技术优化用户体 验。 实现方案： 模型选择： 智能推荐：采用 Wide & Deep (WDL) 结合规则+深度学习推荐，Neural Collaborative Filtering (NCF) 进行 用户-房间匹配，新用户冷启动结合 DistilBERT + 问卷分析 或 AutoEncoder 预测兴趣，实时行为反馈采用 轻量DQN强化学习 + LSTM用户序列
2022-07-01 -2023-02-01星龙科技产品助理
工作职责： 参与产品前期规划和工作人员的需求沟通，收集、整理并分析客户的需求，提供个性专业化的解决方案，规划方案 辅助产品经理搭建产品框架，输出产品规划文档、结构图、核心流程图，确定产品方案 将产品功能、机制、流程用恰当的工具设计为产品原型，制订产品需求文档，以供设计、开发、测试人员明确产品 需求和进行开发、测试。 跟进 UI 设计人员的设计和技术人员的开发，确保产品功能特性和交互符合产品需求文档的要求 项目背景： 某考研机构，由于业务的不断扩大，业务数据量不断提升，纯手工处理已经不堪重负，公 司内部对数字 化转型需求越来越迫切，需要一套专属定制化的 CRM 产品，为各部门信息流转提高效率、 提升业绩， 为公司管理者提供经营决策依据。SalesFastCRM 系统为客户提供完整的销售数字化管理解 决方案，从 营销到成单全流程的数据追踪，并通过强大的 BI 分析给出可视化的展示，直观的进行经营 决策。 项目职责： 需求调研：对于 CRM 系统的搭建了解老板与销售需求，对各部门销售实地工作调研，梳理出企业业务架构 及岗位职责、核心业务流程 。 文档输出：针对所收集整理的需求，利用四象限的
教育经历
2018-09-01 - 2022-07-01哈尔滨信息工程学院软件工程本科
资质认证
语言
技能
0
1
2
3
4
5
0
1
2
3
4
5
作品
项目背景： 响应速度慢——尤其受时差影响，夜间回复滞后，导致用户等待时间长。 重复性问题多——大量用户咨询充值、提现、保证金等基础问题，人工处理效率低。 多语言需求——需支持英语和印地语，以确保不同用户群体的顺畅沟通。 用户金融知识匮乏——印度期货市场75%的用户为散户，对金融概念理解有限，需提供更清晰易懂的解答。 基于上述挑战，我们决定引入智能客服，以提升客服效率、优化用户体验，并有效降低人工客服的压力 实现方案： 模型选择： 主要基于以下考虑： 市场适配性：Llama 2-7B 具备英语+印地语混合优化能力，并专门针对印度金融市场进行微调，能够更好 地满足印度用户的需求。 语言支持：原生支持 Hinglish（印地语 + 英语混合语言）及本地单位换算，降低用户沟通成本。 合规与安全性：可完全本地部署，数据无需出境，避免合规风险。 成本优势：作为开源模型，Llama 2-7B 不需要支付 API 费用，大幅降低长期运营成本 数据准备： 数据采集：整合内部数据（历史客服对话、用户行为日志、投诉工单数据库）、外部数据（印度国家交易所 NSE公告API、Economic Times金融新闻）及合成数据（基于GPT-4生成对抗性测试用例），构建高质量训 练数据集。 数据标注：建立问题分类体系（登录注册、充值提现、交易下单、系统类等），对历史客服数据进行分类标 注，确保问题-答案映射的准确性；进行实体抽取（如用户信息、订单号、交易类型）提升模型理解能力。 数据清洗与预处理：去除冗余信息、噪声数据，标准化文本格式，对非结构化数据进行分词、词性标注等 NLP处理，并优化多模态数据（如工单图片OCR解析），确保数据高质量输入模型。 技术架构： 整体架构采用云函数+大模型+RAG的组合方案 用户输入 → NLP 处理 → 知识库匹配 → AI 生成答案 → 返回结果 项目成果： 模型效果：知识点覆盖率>85%，意图识别率>86%，整体准确率>90% 业务效果： 成本：将每用户成本控制在 ≤ 0.1 美元，通过优化API调用和数据库查询降低成本。 满意率：用户满意率 ≥ 85%，确保用户对客服系统的整体体验满意。
02025-03-18 12:37
下载次数：0
￥1000
