- Страна
- Россия
Data Scientist (платформа ограничений Antifraud)
Оценка ИИСильный бренд работодателя, работа с современным стеком технологий и реальное влияние на безопасность продукта. Гибридный формат работы и фокус на интеллектуальные задачи делают вакансию привлекательной для опытных специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИРоль требует уверенного владения математической статистикой, опытом работы с высоконагруженными системами и навыками вывода моделей в продакшн. Уровень Middle/Senior предполагает самостоятельность в проверке гипотез и глубокое понимание алгоритмов классического ML.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, однако для позиций Middle/Senior Data Scientist в банковском секторе Москвы рыночные предложения обычно находятся в диапазоне от 250 000 до 450 000 рублей после вычета налогов. Альфа-Банк традиционно предлагает конкурентоспособные условия, соответствующие верхним границам рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Альфа-Банк
Data Scientist (платформа ограничений Antifraud)
Формат работы: гибрид (больше удалённо)
*☑️* Чем предстоит заниматься
-Мы занимаемся развитием платформы интеллектуального управления безопасностью финансовых потоков. Наши ML-решения в реальном времени оценивают транзакции на предмет мошенничества, комплаенс-рисков и других нежелательных действий. В работе мы применяем продвинутые методы машинного обучения, прикладной математики и статистики. Исследуем новые данные, проверяем различные ML-гипотезы и постоянно ищем возможности значимо улучшить существующие решения. Сейчас мы расширяем команду и ищем DS-специалистов уровня Middle и Senior.
-Погружаться в бизнес контекст платформы ограничений, изучать доступные данные и существующую инфраструктуру — высоконагруженные сервисы, обрабатывающие миллионы транзакций в день.
-Анализировать текущие бизнес процессы, выявлять их уязвимые места и точки роста.
-Пробовать различные подходы машинного обучения: классификацию, кластеризацию, uplift модели, ранжирующие модели и нейросетевые решения (частично или полностью).
-Сравнивать результаты экспериментальных моделей с текущим решением, оценивая их преимущества и недостатки.
-Валидировать модели с помощью офлайн метрик (AUC, PR кривые, NDCG, uplift метрики и др.), убеждаться в статистически значимом приросте точности.
-Подготавливать аналитическую статью или отчёт, в котором будет подробно сравниваться каждый метод и обосновываться выбор оптимального решения.
-Запускать в продакшн лучшее из протестированных решений, обеспечивая его интеграцию в существующую систему управления ограничениями.
*☑️* Наши пожелания к кандидатам
-Высшее техническое образование.
-Опыт работы в DS от 2 лет. Опыт вывода моделей в прод.
-Уверенный Python, продвинутый SQL,PySpark как плюс.
-Большой опыт в решении задачклассического ML: бустинги, регрессия, ранжирование, классификация.
-Статистика, A/B тесты, знаниеоснов оптимизации, понимание принципов работы используемых методов.
-Умение презентовать результатсложных решений понятным бизнесу языком, проактивность в поиске точекроста и генерации новых идей.
Контакты: Откликнуться
*🔥* Подписаться на наши каналы / Откликнуться / Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- SQL
- PySpark
- Machine Learning
- Boosting
- Regression
- Statistics
- A/B Testing
- Uplift Modeling
- Neural Networks
Возможные вопросы на собеседовании
Проверка понимания специфики работы с несбалансированными данными, что критично для задач антифрода.
Какие метрики качества вы бы выбрали для оценки модели антифрода при сильном дисбалансе классов и почему AUC-ROC может быть недостаточно?
Оценка практического опыта работы с данными в экосистеме больших данных.
В каких случаях вы предпочтете использовать PySpark вместо чистого Pandas при подготовке признаков для транзакционного антифрода?
Проверка навыков статистического анализа и оценки влияния изменений.
Как правильно спроектировать A/B тест для новой модели антифрода, чтобы минимизировать риски пропуска мошеннических операций в процессе эксперимента?
Оценка технической глубины в области классического машинного обучения.
Расскажите о механизмах регуляризации в градиентном бустинге (например, в CatBoost или LightGBM). Как они помогают бороться с переобучением на шумных данных?
Проверка понимания бизнес-ценности и интерпретируемости моделей.
Как вы объясните бизнес-заказчику необходимость внедрения сложной нейросетевой модели, если она дает прирост в 1% точности по сравнению с простым бустингом?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
