Ledigt jobb: Mjukvaruutvecklare

Dina arbetsuppgifter

• Utför oberoende slutgiltig validering av ML-modeller för bedrägeridetektering, inklusive konceptuell hållbarhet, dataintegritet, funktionsteknik (feature engineering), modellutveckling, distributionsdesign och övervakningsramverk. Utveckla utmanarmodeller (challenger models).
• Granska och ifrågasätta metodik, antaganden och implementationsval för första linjens bedrägerimodeller (t.ex. scikit-learn, LightGBM, grafer, tekniker för anomaletektering och komponenter för generativ AI).
• Bygg och distribuera agentic AI-verktyg för att stödja valideringsarbetsflöden – automatisera granskning av modell Dokumentation och kod, och identifiera risker och inkonsekvenser.
• Bedöm modellprestanda med lämpliga bedrägerimetrik (t.ex. precision/recall, ROC-AUC, PR-AUC, kostnadskänsliga metrik, fångst av bedrägerifrekvens, avvägningar av affärspåverkan).
• Evaluera modellstabilitet, drift-detektering, strategi för omträning och praxis för produktionsövervakning.
• Replikerar modellresultat oberoende där det behövs och genomför utmanaranalyser för att bedöma modellens robusthet och begränsningar.
• Granskar stora transaktionsdataset och funktionspipelines (t.ex. >100 miljoner transaktioner, hundratals funktioner) för att bedöma datans representativitet, risker för dataleakage och bias.
• Evaluera dokumentation för modellstyrning, förklarbarhetsmetoder och transparens – inklusive efterlevnad av reglering relaterad till modellrisk, rättvisa och dataskydd.
• Validerar nya teknologier som tillämpas i bedrägeridetektering, såsom Grafer, Beteendebiometri, Anomaletektering och system baserade på generativ AI.
• Bedömer kontroller kring CI/CD-pipelines, distributionsprocesser (t.ex. Docker, Jenkins) och molnmiljöer (t.ex. AWS SageMaker, S3, Athena, Lambda).
• Utvecklar och underhåller valideringsramverk, teststandarder och verktyg för övervakning av modellprestanda (t.ex. SQL, PySpark, Python-baserade valideringsbibliotek).
• Samarbetar tätt med första linjens bedrägeridatavetare, ML-ingenjörer, produkt och affärsintressenter för att säkerställa transparent kommunikation av modellrisker och valideringsfynd.
• Levererar handlingsbara rekommendationer och dokumenterar valideringsresultat formellt i linje med interna standarder för modellstyrning och externa regulatoriska förväntningar.
• Håller sig uppdaterad med utvecklande bedrägerimönster, nya ML/AI-tekniker och regulatoriska utvecklingar inom modellriskhantering.

Om dig

• Avancerad examen (Master eller PhD) inom ett kvantitativt område såsom Data Science, Statistik, Matematik, Datavetenskap, Fysik eller Ingenjörsvetenskap.
• Minst 3 års praktisk erfarenhet av modellering relaterad till bedrägerier (t.ex. transaktionsbedrägerier, kontotagning, identitetsbedrägerier, betalningsbedrägerier etc.).
• Stark expertis inom maskininlärningsmetoder som används i bedrägeridetektering, inklusive träd-baserade modeller (t.ex. LightGBM), anomaletektering, graf-/nätverksmodeller och avancerade ML-tekniker.
• Djup förståelse för hela ML-livscykeln – från konceptuell design och funktionsteknik till produktionsdistribution och övervakning – med förmåga att kritiskt ifrågasätta varje steg.
• Starka programmeringskunskaper i Python och SQL; erfarenhet av PySpark/Spark och bearbetning av stora datamängder.
• Erfarenhet av att bygga agentic AI-arbetsflöden.
• Kunskap om molnbaserade ML-plattformar (t.ex. AWS SageMaker, Lambda, S3, Athena) och produktionsdistributionsarbetsflöden.
• Starka kunskaper inom principer för modellvalidering, ramverk för modellriskstyrning och regulatoriska förväntningar.
• Erfarenhet av att bedöma modellbias, rättvisa, förklarbarhet och integritetsrisker.
• Utmärkt analytiskt tänkande och strukturerad problemlösning, med förmåga att bedöma komplexa modeller och tydligt artikulera risker och begränsningar.
• Starka kommunikationsförmåga, kapabel att översätta tekniska fynd till klara, handlingsbara insikter för seniora intressenter och icke-tekniska målgrupper.
• Förmåga att arbeta självständigt samtidigt som man konstruktivt ifrågasätter första linjens team på ett samarbetsinriktat sätt.

Meriterande

• Erfarenhet av BNPL (Buy Now Pay Later), kreditkort, betalningar eller andra transaktionsintensiva finansiella produkter.
• Erfarenhet av att validera modeller i starkt reglerade miljöer.
• Erfarenhet av att mentorera juniora validerare eller leda valideringsgranskningar.
• Kunskap om inferens av avslagna transaktioner och förståelse för överlappningen mellan bedrägeri och kredit.
• Kunskap om AI-styrningsramverk och nya regulatoriska krav för AI.