{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "医学AI深度研究应用构建-阿里星",
        "job_level": "校招",AI生成
        "work_category": "全职",AI生成
        "department": "阿里健康",
        "location": "杭州",
        "work_mode": "未披露",AI生成
        "job_category": "技术类"AI生成
    },
    "company": {
        "company_name": "阿里健康",
        "company_industry": "医药电商 / 数字医疗",
        "company_size": "未披露",
        "company_website": "alibaba.com",
        "company_description": "阿里健康提供线上线下药事服务和数字化医疗服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "计算机本科、硕士及以上学历",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "科学研究和临床诊断是医生日常工作的重要内容。但由于医学领域具有较高的专业门槛，常规的通用大模型无法提供准确、详尽的问题解决方案。通过构建医学领域的类DeepResearch产品，我们期望帮助医生拓宽科研思路、精准定位循证依据，提升AI工具的实用价值。\n核心工作目标：研发一个医学领域专用的、具备深度推理与循证能力的AI辅助系统（DeepResearch for Medicine），显著提升医生在科研探索和临床决策支持方面的效率与质量。\n具体工作目标如下：\n1. 深度理解医学知识： 系统能精准解析复杂的医学术语、概念、疾病机制、治疗方案及相互关系，构建医学知识图谱。\n2. 循证信息精准检索与整合： 能够高效、准确地从海量、异构的医学文献数据库（如PubMed, 临床指南库、电子病历库等）、教科书、权威报告中检索、筛选、提取并整合与用户查询高度相关的循证医学证据（包括研究类型、结果、证据等级、局限性等）。\n3. 科研思路启发与拓展： 能基于用户初步研究想法或关键词，识别相关领域的研究热点、空白、潜在合作者、新兴技术/方法，提出有价值的研究问题或假设，辅助科研设计。\n4. 临床问题深度解答与决策支持： 针对复杂的临床场景（如罕见病诊断、复杂合并症处理、个体化治疗方案制定），能整合患者信息、最新指南和研究证据，提供推理过程透明、证据链清晰的鉴别诊断思路、治疗建议或决策依据，明确标注证据来源和强度。\n5. 多模态信息处理：具备处理和分析文本、结构化数据（如实验室结果）、影像报告摘要等多模态医学信息的能力。\n6. 安全性与合规性：确保系统输出符合医学伦理，尊重患者隐私，避免提供未经充分验证或可能有害的建议。\n7. 用户友好性： 设计符合医生工作流的交互界面，提供清晰、结构化、可追溯的输出结果。\n核心研究问题如下：\n1. 医学知识表示与建模：如何最有效地构建、融合和动态更新一个覆盖广、深度够、关系准的医学领域知识图谱，使其能支撑复杂的推理任务？如何整合结构化知识（本体、术语库）与非结构化文献知识？\n2. 循证信息的高效精准检索与可信度评估： 如何设计针对医学文献和数据库的深度检索与排序算法，超越简单关键词匹配，实现基于语义理解、证据等级、研究质量、临床相关性的精准筛选？如何自动评估和标注检索结果的可信度、证据等级及潜在偏倚？\n3. 深度推理与证据链生成： 如何让AI系统像医学专家一样进行多步、因果、批判性推理？如何基于检索到的证据，自动构建清晰、逻辑严谨、支持最终结论或建议的证据链（Evidence Chain），并明确标注推理中的不确定性或证据缺口？\n4. 个性化与上下文感知： 如何让系统深度理解用户查询的意图和具体临床/科研上下文（如患者具体病情、医生专业领域、研究阶段）？如何基于此提供高度个性化、情境相关的信息和建议？\n5. 安全、伦理与可解释性：如何确保系统输出安全、合规、负责任？如何设计机制有效防止产生幻觉（Hallucination）、传播错误信息或提供有害建议？如何实现系统推理过程和结论的高度可解释性（Explainable AI - XAI），让医生能够理解和验证AI的结论？\n6. 多模态医学信息融合：如何有效融合和分析文本报告、结构化电子病历数据、影像学描述摘要等不同模态的医学信息，以支持更全面的推理？\n7. 人机协同与工作流集成： 如何设计交互模式，使该系统能无缝嵌入医生现有的科研和临床工作流程，实现高效的人机协作，而非额外负担？",
        "requirements_text": "1. 计算机本科、硕士及以上学历，精通pytorch或tensorflow，具有人工智能、自然语言处理、大模型等方向的研究经验。\n2. 熟悉先进大模型的算法原理，有丰富的大模型训练（pre-train/post-train）或数据样本合成方面的经验或技巧。\n3. 有大模型强化学习训练上有经验者优先，包括但不限于RFT、RLVR、PPO、GRPO等。\n4. 在大模型方向有高质量（ACL、EMNLP、AAAI等）论文或开源项目产出者优先。\n5. 自驱力强、有良好的协作能力，有医疗健康行业经验者优先。",
        "skills": [AI生成
            "PyTorch",
            "TensorFlow",
            "强化学习",
            "自然语言处理",
            "模型训练",
            "大语言模型"
        ],
        "preferred_qualifications": "3. 有大模型强化学习训练上有经验者优先，包括但不限于RFT、RLVR、PPO、GRPO等；4. 在大模型方向有高质量（ACL、EMNLP、AAAI等）论文或开源项目产出者优先；5. 自驱力强、有良好的协作能力，有医疗健康行业经验者优先",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://campus-talent.alibaba.com/campus/position/199907720076?deptCodes="
            }
        ]
    },
    "posting": {
        "posting_id": "199907720076",
        "post_date": "2026-08-04",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://campus-talent.alibaba.com/campus/position/199907720076?deptCodes="
    },
    "fulltext": "医学AI深度研究应用构建-阿里星\n医学AI深度研究应用构建-阿里星\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2027-10-31\n职位类别：技术类\n招聘项目：阿里巴巴2027届应届生\n工作地点：杭州\n\n职位描述\n科学研究和临床诊断是医生日常工作的重要内容。但由于医学领域具有较高的专业门槛，常规的通用大模型无法提供准确、详尽的问题解决方案。通过构建医学领域的类DeepResearch产品，我们期望帮助医生拓宽科研思路、精准定位循证依据，提升AI工具的实用价值。\n核心工作目标：研发一个医学领域专用的、具备深度推理与循证能力的AI辅助系统（DeepResearch for Medicine），显著提升医生在科研探索和临床决策支持方面的效率与质量。\n具体工作目标如下：\n1. 深度理解医学知识： 系统能精准解析复杂的医学术语、概念、疾病机制、治疗方案及相互关系，构建医学知识图谱。\n2. 循证信息精准检索与整合： 能够高效、准确地从海量、异构的医学文献数据库（如PubMed, 临床指南库、电子病历库等）、教科书、权威报告中检索、筛选、提取并整合与用户查询高度相关的循证医学证据（包括研究类型、结果、证据等级、局限性等）。\n3. 科研思路启发与拓展： 能基于用户初步研究想法或关键词，识别相关领域的研究热点、空白、潜在合作者、新兴技术/方法，提出有价值的研究问题或假设，辅助科研设计。\n4. 临床问题深度解答与决策支持： 针对复杂的临床场景（如罕见病诊断、复杂合并症处理、个体化治疗方案制定），能整合患者信息、最新指南和研究证据，提供推理过程透明、证据链清晰的鉴别诊断思路、治疗建议或决策依据，明确标注证据来源和强度。\n5. 多模态信息处理：具备处理和分析文本、结构化数据（如实验室结果）、影像报告摘要等多模态医学信息的能力。\n6. 安全性与合规性：确保系统输出符合医学伦理，尊重患者隐私，避免提供未经充分验证或可能有害的建议。\n7. 用户友好性： 设计符合医生工作流的交互界面，提供清晰、结构化、可追溯的输出结果。\n核心研究问题如下：\n1. 医学知识表示与建模：如何最有效地构建、融合和动态更新一个覆盖广、深度够、关系准的医学领域知识图谱，使其能支撑复杂的推理任务？如何整合结构化知识（本体、术语库）与非结构化文献知识？\n2. 循证信息的高效精准检索与可信度评估： 如何设计针对医学文献和数据库的深度检索与排序算法，超越简单关键词匹配，实现基于语义理解、证据等级、研究质量、临床相关性的精准筛选？如何自动评估和标注检索结果的可信度、证据等级及潜在偏倚？\n3. 深度推理与证据链生成： 如何让AI系统像医学专家一样进行多步、因果、批判性推理？如何基于检索到的证据，自动构建清晰、逻辑严谨、支持最终结论或建议的证据链（Evidence Chain），并明确标注推理中的不确定性或证据缺口？\n4. 个性化与上下文感知： 如何让系统深度理解用户查询的意图和具体临床/科研上下文（如患者具体病情、医生专业领域、研究阶段）？如何基于此提供高度个性化、情境相关的信息和建议？\n5. 安全、伦理与可解释性：如何确保系统输出安全、合规、负责任？如何设计机制有效防止产生幻觉（Hallucination）、传播错误信息或提供有害建议？如何实现系统推理过程和结论的高度可解释性（Explainable AI - XAI），让医生能够理解和验证AI的结论？\n6. 多模态医学信息融合：如何有效融合和分析文本报告、结构化电子病历数据、影像学描述摘要等不同模态的医学信息，以支持更全面的推理？\n7. 人机协同与工作流集成： 如何设计交互模式，使该系统能无缝嵌入医生现有的科研和临床工作流程，实现高效的人机协作，而非额外负担？\n\n职位要求\n1. 计算机本科、硕士及以上学历，精通pytorch或tensorflow，具有人工智能、自然语言处理、大模型等方向的研究经验。\n2. 熟悉先进大模型的算法原理，有丰富的大模型训练（pre-train/post-train）或数据样本合成方面的经验或技巧。\n3. 有大模型强化学习训练上有经验者优先，包括但不限于RFT、RLVR、PPO、GRPO等。\n4. 在大模型方向有高质量（ACL、EMNLP、AAAI等）论文或开源项目产出者优先。\n5. 自驱力强、有良好的协作能力，有医疗健康行业经验者优先。\n\n在招业务\n阿里健康\n科学研究和临床诊断是医生日常工作的重要内容。但由于医学领域具有较高的专业门槛，常规的通用大模型无法提供准确、详尽的问题解决方案。通过构建医学领域的类DeepResearch产品，我们期望帮助医生拓宽科研思路、精准定位循证依据，提升AI工具的实用价值。\n核心工作目标：研发一个医学领域专用的、具备深度推理与循证能力的AI辅助系统（DeepResearch for Medicine），显著提升医生在科研探索和临床决策支持方面的效率与质量。\n具体工作目标如下：\n1. 深度理解医学知识： 系统能精准解析复杂的医学术语、概念、疾病机制、治疗方案及相互关系，构建医学知识图谱。\n2. 循证信息精准检索与整合： 能够高效、准确地从海量、异构的医学文献数据库（如PubMed, 临床指南库、电子病历库等）、教科书、权威报告中检索、筛选、提取并整合与用户查询高度相关的循证医学证据（包括研究类型、结果、证据等级、局限性等）。\n3. 科研思路启发与拓展： 能基于用户初步研究想法或关键词，识别相关领域的研究热点、空白、潜在合作者、新兴技术/方法，提出有价值的研究问题或假设，辅助科研设计。\n4. 临床问题深度解答与决策支持： 针对复杂的临床场景（如罕见病诊断、复杂合并症处理、个体化治疗方案制定），能整合患者信息、最新指南和研究证据，提供推理过程透明、证据链清晰的鉴别诊断思路、治疗建议或决策依据，明确标注证据来源和强度。\n5. 多模态信息处理：具备处理和分析文本、结构化数据（如实验室结果）、影像报告摘要等多模态医学信息的能力。\n6. 安全性与合规性：确保系统输出符合医学伦理，尊重患者隐私，避免提供未经充分验证或可能有害的建议。\n7. 用户友好性： 设计符合医生工作流的交互界面，提供清晰、结构化、可追溯的输出结果。\n核心研究问题如下：\n1. 医学知识表示与建模：如何最有效地构建、融合和动态更新一个覆盖广、深度够、关系准的医学领域知识图谱，使其能支撑复杂的推理任务？如何整合结构化知识（本体、术语库）与非结构化文献知识？\n2. 循证信息的高效精准检索与可信度评估： 如何设计针对医学文献和数据库的深度检索与排序算法，超越简单关键词匹配，实现基于语义理解、证据等级、研究质量、临床相关性的精准筛选？如何自动评估和标注检索结果的可信度、证据等级及潜在偏倚？\n3. 深度推理与证据链生成： 如何让AI系统像医学专家一样进行多步、因果、批判性推理？如何基于检索到的证据，自动构建清晰、逻辑严谨、支持最终结论或建议的证据链（Evidence Chain），并明确标注推理中的不确定性或证据缺口？\n4. 个性化与上下文感知： 如何让系统深度理解用户查询的意图和具体临床/科研上下文（如患者具体病情、医生专业领域、研究阶段）？如何基于此提供高度个性化、情境相关的信息和建议？\n5. 安全、伦理与可解释性：如何确保系统输出安全、合规、负责任？如何设计机制有效防止产生幻觉（Hallucination）、传播错误信息或提供有害建议？如何实现系统推理过程和结论的高度可解释性（Explainable AI - XAI），让医生能够理解和验证AI的结论？\n6. 多模态医学信息融合：如何有效融合和分析文本报告、结构化电子病历数据、影像学描述摘要等不同模态的医学信息，以支持更全面的推理？\n7. 人机协同与工作流集成： 如何设计交互模式，使该系统能无缝嵌入医生现有的科研和临床工作流程，实现高效的人机协作，而非额外负担？\n1. 计算机本科、硕士及以上学历，精通pytorch或tensorflow，具有人工智能、自然语言处理、大模型等方向的研究经验。\n2. 熟悉先进大模型的算法原理，有丰富的大模型训练（pre-train/post-train）或数据样本合成方面的经验或技巧。\n3. 有大模型强化学习训练上有经验者优先，包括但不限于RFT、RLVR、PPO、GRPO等。\n4. 在大模型方向有高质量（ACL、EMNLP、AAAI等）论文或开源项目产出者优先。\n5. 自驱力强、有良好的协作能力，有医疗健康行业经验者优先。",
    "standard_classification": {
        "std_category_code": "T009",
        "std_aux_codes": [
            "T010"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}