ML Engineer (Middle)
Оценка ИИИнтересная роль в растущем международном финтехе с широким спектром задач. Однако офисный формат в Пакистане может подойти не всем кандидатам.
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 ИИПозиция требует глубоких знаний в классическом ML и специфического опыта в финтех-доменах (скоринг, антифрод). Дополнительную сложность создает необходимость работы в офисе в Пакистане.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИВ объявлении не указана зарплата, но для Middle ML ролей в Пакистане в международных компаниях уровень обычно конкурентный. Рыночные оценки для экспатов или локальных специалистов высокого уровня варьируются в зависимости от пакета релокации.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
ML Engineer (Middle) Alif Tech
Местоположение: Пакистан
Формат работы: Офис
Опубликована: 21.09.2026
Требования:
• Приоритет — опыт с классическим ML на табличных данных (кредитный скоринг, антифрод, рекомендательные системы, динамическое ценообразование, отток клиентов, прогноз спроса, SLA доставки, оптимизация в маркетинге, Next Best Offer / кросс-продажи, LTV, оценка недвижимости)
О компании:
Alif Tech — международная финтех-компания, работает на рынках Узбекистана, Таджикистана, Пакистана, Великобритании и ОАЭ.
Контакт: Откликнуться
Откликнуться опубликована в LinkedIn у Umida Niyazova
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Machine Learning
- Credit Scoring
- Anti-fraud
- Recommender Systems
- Dynamic Pricing
- LTV
- Marketing Optimization
Возможные вопросы на собеседовании
Вакансия сфокусирована на табличных данных и финтехе.
Расскажите о вашем опыте разработки моделей кредитного скоринга: какие признаки вы использовали и как боролись с дисбалансом классов?
Упоминается работа с оттоком и LTV.
Как вы подходите к валидации моделей прогнозирования LTV, учитывая долгосрочный характер этой метрики?
Важно для антифрод-систем.
Какие методы интерпретации моделей (например, SHAP или LIME) вы используете для объяснения решений модели в задачах антифрода?
Упоминается динамическое ценообразование.
Был ли у вас опыт внедрения моделей динамического ценообразования и как вы оценивали их влияние на бизнес-метрики?
Работа в финтехе требует надежности.
Как вы организуете мониторинг качества моделей в продакшене, чтобы вовремя заметить деградацию (data drift)?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
