Обязанности

Кредиттік скоринг, өндіріп алу (collection) және алаяқтыққа қарсы іс-қимыл (fraud) бағыттары бойынша Data Scientists мамандарынан, ML-инженерлерден және деректер аналитиктерінен тұратын команданы басқару (мақсат қоюдан бастап кадрлық резервті қалыптастыруға дейін).
Бағыттың даму стратегиясын әзірлеу және бастамалар портфелін басқару, олардың экономикалық тиімділігін және Банктің бизнес-мақсаттарымен үйлесімділігін қамтамасыз ету.
DS/AI/ML өнімдерінің толық өмірлік циклін қамтамасыз ету: бизнес-гипотезаны қалыптастырудан және зерттеуден (Research) бастап өнеркәсіптік пайдалануға енгізуге, MLOps сүйемелдеуге және тұрақты мониторинг жүргізуге дейін.
Шешім қабылдау процестерін автоматтандыруға, кредиттік тәуекелдерді басқаруға және алаяқтыққа қарсы іс-қимыл жасауға арналған аналитикалық шешімдерді енгізу (тәуекел көрсеткіштерімен жұмыс істеуді қоса алғанда: DR, AR, CoR және т.б.).
Банктің мүдделерін қорғау және ХҚЕС 9/Базель талаптарын сақтау мақсатында бизнес-бөлімшелермен, IT-сәулет бағытымен, реттеуші органдармен және топ-менеджментпен тиімді өзара іс-қимылды жолға қою.

Требования

Data Science / AI / ML саласында кемінде 5 жыл жұмыс тәжірибесі, оның ішінде кемінде 2 жыл басшылық лауазымдағы тәжірибе (Team Lead / Department Head).
Data Science мамандарының, ML-инженерлердің, MLOps және аналитиктердің командаларын басқару бойынша практикалық тәжірибе: KPI белгілеу, құзыреттерді дамыту, тиімділікті басқару, қызметкерлерді жұмысқа қабылдау және кадрлық резервті қалыптастыру.
Стратегия әзірлеу, жобалар портфелін басқару, сондай-ақ бизнес-бөлімшелермен, IT бағытымен және реттеуші органдармен тиімді әрі үздіксіз өзара іс-қимыл жасау тәжірибесі.
Кредит тәуекелдерін (PD, LGD, EAD), андеррайтинг, өндіріп алу және алаяқтыққа қарсы іс-қимыл процестерін (оның ішінде AML және тәуекелдерге мониторинг жүргізу) бағыттарын терең түсіну.
Негізгі тәуекел көрсеткіштерін (DR, AR, CoR), банк заңнамасын және реттеушінің талаптарын (оның ішінде ХҚЕС 9, модельдік тәуекелдерді басқару және дербес деректерді қорғау) білу.
ML-шешімдерді енгізудің бизнес және экономикалық әсерін бағалау тәжірибесі.
ML-өнімдерінің толық өмірлік циклін басқару бойынша практикалық тәжірибе: деректерді дайындаудан бастап өндірістік ортаға енгізуге, мониторинг жүргізуге және қайта оқытуға дейін.
Заманауи технологиялық стекті меңгеру: Python, SQL, Git, сондай-ақ MLOps-конвейерлерін құру үшін Airflow, MLflow, Docker, JupyterHub, Hadoop, DVC немесе ұқсас құралдармен жұмыс тәжірибесі.
Модельдерді бағалау әдістерін (Gini, PSI, A/B тестілеу, SHAP/LIME арқылы интерпретациялау) терең білу және үлкен көлемдегі деректермен жұмыс істеу тәжірибесі.
Қаржы секторында GenAI / LLM шешімдерін (RAG, AI-агенттер, LangChain) енгізу тәжірибесінің болуы.
Скоринг немесе верификациялау тапсырмаларында компьютерлік көру (Computer Vision) технологияларын қолдану тәжірибесінің болуы.