#机构钱包

avatar
【Onchain Bloomberg招数据科学家，备战Onchain Finance！】 后端算法工程师（Web3 方向 - 机器学习） 技能职责：后端业务数据处理与开发：基于业务需求，设计并开发高可用、高性能的数据处理与机器学习工程模块，聚焦机器学习驱动的钱包标签识别场景（机构钱包 / 聪明钱 / 巨鲸钱包 / 风险钱包 / Scammer 钱包等），负责标签相关特征工程、模型训练数据 pipeline 构建，实现标签数据的高效统计、模型驱动的动态更新，支撑链上数据分析平台的核心功能。 跨团队协同：联动产品、前端及算法团队，对齐钱包标签识别的机器学习目标（如模型准确率、召回率优化），收集业务反馈迭代模型落地方案，确保机器学习技术实现与产品路线图、业务价值一致。 理想人选：核心技术能力： 精通 python/Go/JS 等开发语言，具备钱包标签识别系统开发经验；具备扎实的机器学习基础，熟悉标签识别相关算法（如分类算法、聚类算法、时序分析、异常检测等），能熟练使用特征工程工具（Pandas、PySpark）、机器学习框架（TensorFlow/PyTorch）及模型部署工具（ONNX、TensorRT）；能独立完成 “数据清洗 - 特征提取 - 模型训练 - 评估迭代 - 工程化部署” 全流程，具备机器学习模型在高并发场景下的落地经验。 过往业务经验需符合以下至少 1 项要求： （1）主导过机构钱包标签库建设，能通过链下数据关联、链上行为特征工程，结合机器学习模型（如分类算法）优化标签精准分类； （2）具备通过过往交易行为分析聪明钱 / 巨鲸钱包的经验，能基于大额交易、持仓变化等数据构建特征，通过时序分析、聚类算法实现目标钱包识别与标签体系构建； （3）有风险钱包标签体系设计经验，熟悉洗钱、钓鱼等风险场景，能结合机器学习规则引擎（如 Spark MLlib）开发动态风险模型，优化标签定义与规则迭代； （4）参与过 Scammer 钱包识别系统搭建，能基于交易行为、地址关联等数据构建特征，通过监督 / 半监督学习构建识别模型，迭代优化模型效果（如召回率、误判率）。 容器化与部署能力：熟练使用 Docker Compose/K8s 进行容器化部署（含机器学习模型服务化部署，如 TensorFlow Serving、TorchServe）与集群管理，精通 CI/CD 流程，具备机器学习中间件（如 MLflow）的自动化部署及故障处理能力，支撑高并发标签数据处理与模型推理场景。
#Onchain Bloomberg #数据科学家 #Onchain Finance #Web3 #机器学习 #钱包标签识别 #机构钱包 #聪明钱