Data Scientist, Fraud

О позиции

Команда Data Science в Stripe глубоко сотрудничает со всеми подразделениями компании, чтобы обеспечить пользователей, продукты и бизнес необходимыми моделями, продуктами данных и аналитикой для принятия решений и ответственного роста. Команда Fraud, Losses, and Financial Crime Data Science разрабатывает модели и продукты данных, которые защищают Stripe и его пользователей от мошенничества, перехвата аккаунтов и финансовых преступлений. Мы несём ответственность за полный стек моделирования мошенничества — от обнаружения перехвата аккаунтов и классификации карточного мошенничества до оценки потерь на уровне мерчантов, неконтролируемой аномалии и моделирования риска финансовых преступлений.

Будет плюсом

• Сильные знания и практический опыт в машинном обучении, статистике, оптимизации, каузальном выводе и экспериментах
• Опыт деплоя моделей в production и настройки порогов моделей для улучшения производительности
• Опыт проектирования, запуска и анализа сложных экспериментов или использование дизайнов каузального вывода
• Мышление билдера с готовностью ставить под вопрос предположения и устоявшиеся истины
• Опыт работы с распределёнными инструментами такими как Spark, Hadoop и т.д.
• PhD или MS в количественной области (например, Статистика, Инженерия, Математика, Экономика, Количественные Финансы, Наука, Операционные Исследования)

Условия

• Работа над критически важными задачами глобальной финансовой инфраструктуры
• Возможность влиять на безопасность миллионов пользователей по всему миру
• Карьерный рост в одной из ведущих fintech-компаний
• Конкурентная компенсация и пакеты benefits
• Международная рабочая среда и возможности для профессионального развития

Навыки

• Python
• SQL
• Machine Learning
• Statistics
• Causal Inference
• Experiments
• Risk Modeling
• Fraud Detection
• Apache Spark
• Deep Learning
• Supervised Learning
• Unsupervised Learning
• Data Analysis
• Model Deployment

Могут спросить на собеседовании

1. Расскажите о вашем опыте работы с моделями обнаружения мошенничества или рисками. Какие метрики вы использовали для оценки их эффективности?
2. Как бы вы подошли к решению проблемы несбалансированных данных при обучении модели fraud detection?
3. Опишите случай, когда вы внедрили модель в production. С какими трудностями столкнулись и как их решили?
4. Как вы интерпретируете результаты A/B тестов или других экспериментов в контексте бизнеса? Приведите пример
5. Какие инструменты и фреймворки вы используете для разработки ML-моделей? Как выбираете между ними?