- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Антифрод аналитик
Оценка ИИСильный бренд «Золотое Яблоко», современный стек технологий (ML, графы, потоковые данные) и удаленный формат работы делают вакансию очень привлекательной для опытных специалистов. Задачи разнообразны и напрямую влияют на финансовые показатели компании.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний в области классического ML и специализированных алгоритмов детекции аномалий, а также умения работать с большими данными и сложным Feature Engineering. Высокая ответственность за бизнес-метрики и необходимость интеграции моделей в реальном времени повышают порог входа.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиции уровня Senior/Middle+ в сфере Anti-fraud ML в России рыночный диапазон составляет от 250 000 до 450 000 рублей. «Золотое Яблоко» обычно предлагает конкурентоспособные условия, соответствующие верхним границам рынка для опытных инженеров.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Золотое Яблоко уже сейчас
Присоединяйтесь к команде «Золотого Яблока» и создавайте передовые ML-решения для защиты крупнейшего ритейлера от фрода!
Описание вакансии
Антифрод аналитик
Компания: Золотое Яблоко
*🔹*Что нужно делать:
-ML-моделирование для антифрода: Разработка, обучение и внедрение моделей машинного обучения для детекции фрода в транзакционном и сессионном трафике - классификаторы (XGBoost, LightGBM, нейросети), модели аномалий (Isolation Forest, Autoencoder), кластеризация поведенческих паттернов.
-Скоринговые системы: Проектирование и поддержка ML-скоринга - поведенческий, транзакционный, идентификационный скоринг; калибровка вероятностных оценок, мониторинг дрейфа моделей.
-Feature Engineering: Извлечение и конструирование признаков из сырых логов сессий, транзакций, отпечатков, графовых связей между сущностями.
-Анализ трафика и обнаружение аномалий: анализ сессионного и транзакционного трафика для выявления фрод-паттернов с применением статистических методов и unsupervised ML - выбросы, нетипичные последовательности действий, поведенческие аномалии.
-Валидация и тестирование моделей: тестирование и офлайн-валидация антифрод-моделей: метрики качества (AUC-ROC, KS, Gini, F1), анализ ошибок, контроль False Positive / False Negative.
-Управление правилами и гибридные системы: Интеграция ML-моделей с rule-based движком: настройка триггеров, бэктестинг, калибровка порогов, поддержка единого пайплайна принятия решений.
-Митигация автоматизированных угроз: Применение ML для выявления бот-активности, мультиаккаунтинга, бонусхантинга, парсинга.
-Мониторинг и инциденты: Разработка ML-метрик и дашбордов для онлайн-мониторинга качества моделей; участие в расследовании фрод-инцидентов, переобучение моделей при смене паттернов атак.
*🔹*Что ждём от кандидата:
-Практический опыт построения ML-моделей для fraud detection или смежных задач (credit scoring, anomaly detection, churn prediction).
-Уверенное владение Python и ML-стеком: scikit-learn, XGBoost/LightGBM, optionally PyTorch/TensorFlow для sequence-моделей.
-Опыт работы с большими объёмами неструктурированных данных: сырые логи, event streams, транзакционные цепочки. -
-Уверенный SQL для работы с аналитическими хранилищами.
-Понимание метрик качества бинарной классификации и оценки бизнес-эффекта моделей.
-Будет плюсом: Опыт с графовыми методами для выявления связанных мошеннических сетей (Graph Neural Networks, community detection); работа с потоковыми данными (Kafka, Flink) для онлайн-скоринга в реальном времени; интеграция внешних scoring API и дата-провайдеров
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- PyTorch
- SQL
- Graph Neural Networks
- Scikit-learn
- Feature Engineering
- Kafka
- Flink
- TensorFlow
- XGBoost
- LightGBM
- Anomaly Detection
- ML
Возможные вопросы на собеседовании
Антифрод требует баланса между безопасностью и удобством пользователя. Важно понять, как кандидат оценивает влияние модели на бизнес.
Как вы будете выбирать порог отсечения (threshold) для модели антифрода, учитывая стоимость ошибки False Positive и False Negative?
Проверка понимания специфики данных в антифроде.
Какие признаки (features) вы бы сконструировали в первую очередь для выявления бонусхантинга или мультиаккаунтинга?
Мошенники постоянно меняют тактики, поэтому важно знать, как кандидат борется с деградацией моделей.
Как вы планируете отслеживать дрейф данных (data drift) и концептуальный дрейф (concept drift) в транзакционном потоке?
Проверка технического кругозора в области современных методов борьбы с фродом.
В каких случаях для антифрода эффективнее использовать графовые алгоритмы вместо стандартных табличных классификаторов?
Важно понимать, как модель будет работать в продакшене.
Как обеспечить работу ML-модели в режиме реального времени (online scoring) при обработке тысяч транзакций в секунду?
Похожие вакансии
Аналитик / MLE (Middle/Senior/Staff) в команду эффективности
ML разработчик
Data Engineer / DataOps Engineer
Data Scientist Middle
ML разработчик (Senior)
Data инженер (Middle+)
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!