Qualifikationen und Erfahrung.Erforderlich2+ Jahre maschinelles Lernen/Daten Wissenschaftliche Erfahrung, vorzugsweise im Finanzsektor oder im Fintech-Bereich.Erfahrung im Aufbau von Betrugsbekämpfungsmodellen oder Betrugserkennungssystemen.Kompetente Beherrschung von Python, Erfahrung mit grundlegenden ML-Frameworks: scikit-learn, Optimierung.Praktisches Verständnis von Modellbewertungsmetriken: ROC-AUC, Precision/Recall, Gini, KS, F1.Erfahrung beim Erstellen von Modellen basierend auf Verhalte
Qualifikationen und Erfahrung.
Erforderlich
- 2+ Jahre maschinelles Lernen/Daten Wissenschaftliche Erfahrung, vorzugsweise im Finanzsektor oder im Fintech-Bereich.
- Erfahrung im Aufbau von Betrugsbekämpfungsmodellen oder Betrugserkennungssystemen.
- Kompetente Beherrschung von Python, Erfahrung mit grundlegenden ML-Frameworks: scikit-learn, Optimierung.
- Praktisches Verständnis von Modellbewertungsmetriken: ROC-AUC, Precision/Recall, Gini, KS, F1.
- Erfahrung beim Erstellen von Modellen basierend auf Verhaltensmerkmalen, Zeitreihendaten und Transaktionsmustern.
- Kenntnisse für die Arbeit mit APIs, um in Echtzeit mit einer Produktionsumgebung zu interagieren.
- Verstehen von CI/CD-Prinzipien, Erfahrung in der Arbeit mit Git. Erfahrung im Starten und Überwachen von Modellen in der Produktion sowie in der Verarbeitung großer Datenmengen in Echtzeit.
Gewünscht
- Erfahrung im Aufbau regelbasierter + ML-Hybridmodelle in der Praxis Betrugsbekämpfung.
- Kenntnisse über Finanzprodukte (Karten, Konten, Kredite, Zahlungen) und typische Betrugsmuster.
- Arbeiten mit Graphstrukturen (graphbasierte Betrugserkennung, Netzwerkanalyse).
- TensorFlow, PyTorch – als Bonus bei Deep-Learning- oder NLP-Aufgaben.
Funktionale VerantwortlichkeitenEntwicklung und Verbesserung betrügerischer Transaktionen in Echtzeit.Vorbereitung großer Mengen an Transaktions-, Verhaltens- und Zusatzdaten für Trainingsmodelle.Durchführung von Datenprofilierung, Bereinigung, Transformation, physikalischer Technik.Identifizierung neuer Betrugsmuster basierend auf historischen Daten und Trends.Testen, Validieren und Optimierung von Modellen unter Verwendung relevanter Qualitätsmetriken.Integration von Modellen in Produktionsumgebung, Wartung, Stabilitätskontrolle, Updates.Skalierung von Antibetrugslösungen für stark ausgelastete Systeme mit einer großen Anzahl von Transaktionen.Zusammenarbeit mit Teams aus Analysten, Entwicklern und Produktmanagern, um Geschäftsanforderungen zu definieren und Modelle in Geschäftsprozesse zu integrieren.Teilnahme an Projekten zur Einführung innovativer Ansätze zur finanziellen Sicherheit, mit der Möglichkeit, Initiativen auf der Ebene der zu starten gesamte Betrugsbekämpfungsstrategie.Warum PUMB?
- Ein starkes Betrugsbekämpfungsteam mit Fokus auf den Aufbau intvon elektronischen Betrugsbekämpfungssystemen, die mit modernen Tools und Ansätzen arbeiten.
- Arbeiten in einer der technologisch fortschrittlichsten Banken der Ukraine, mit einem echten Einfluss auf die Sicherheit von Millionen von Kunden. Die Möglichkeit, ML-Modelle in einem realen Geschäftsprozess zu implementieren.
- Umfassender Zugriff auf Daten, hohe Entscheidungsfreiheit, Unterstützung durch das Management.
- Hybrides oder Remote-Arbeitsformat, wettbewerbsfähige Einstellungsbedingungen.
- Starke Kultur der Interaktion, Transparenz, Offenheit für Innovation und persönliche Entwicklung.
- Teilnahme an Projekten an der Schnittstelle von Data Science / Betrugsbekämpfung / Digital Banking – Bereiche, die sich weltweit aktiv verändern Ebene.
