В Сбере количество моделей растет в геометрической прогрессии и, как следствие, растет модельный риск (различные, как правило не очень хорошие, последствия от решений, основанных на неточных или на неверно интерпретируемых прогнозах моделей).Наше же подразделение занимается оценкой и управлением этого модельного риска. Cейчас существенно расширяется команда и мы ищем сильных кандидатов.

А именно:

• Валидируем абсолютно все розничные модели Сбера в таких задачах/направлениях как: рекомендательные системы, NLP, кредитный процесс, удовлетворенность и лояльность и т.д.
• Разрабатываем и автоматизируем методы для валидации
• Разрабатываем подходы для оценки модельного риска
• Строим систему отчетности
• Строим платформу для онлайн-мониторинга и автовалидации типовых классов моделей

Успешный кандидат будет помогать нам:

• Разбираться во внутренностях модели и процесса, где она применяется
• Переводить работу модели вденьгии защищать свои расчеты
• Исследовать подход к моделированию и работать над методологией (Например, в зависимости от бизнес-применения модели настоятельно рекомендовать подходящую метрику качества)
• Автоматизировать и масштабировать свои решения
• Исследовать и предлагать методы количественной оценки модельного риска (Например, выяснить наличие каких факторов влияет на падение качества модели со временем)

Почему у нас интересно:

• Очень сильная команда (МГУ, МФТИ, ВШЭ, РЭШ)
• Очень интересные задачи (на подумать, с *) на стыке ML, математики и бизнеса, fit-predict тут не пройдет, придется много узнавать, выяснять и думать
• Внушительный и разнообразный ландшафт препарируемого материала (=моделей), много работы будет "под капотом"

Что ждем от кандидата:

• Знание ML (основные алгоритмы и что там вообще внутри происходит)
• Знание мат. статистики, теор.вера, алгоритмов и структур данных
• Знание Python и основных библиотек анализа данных
• Знание SQL, навыки работы с базами данных