خبير بيانات أول - ذكاء المعاملات

عن الدور: "مالا" هي أول منصة مصرفية مفتوحة للبيع بالتجزئة في المملكة العربية السعودية. منتجنا مبني على أصل أساسي واحد: مئات الملايين من السجلات لبيانات السلوك. تحويل هذه البيانات الخام إلى شيء يمكن للناس التصرف بناءً عليه هو المهمة الكاملة لهذا الدور، ويمتد عبر خط الأنابيب بالكامل: إثراء المعاملات (تصنيف سلاسل التاجر القصيرة والمشوشة باللغة الإنجليزية والعربية اللاتينية المختلطة، وحلها إلى كيانات تاجر حقيقية)، ثم بناء النماذج والتحليلات فوق ذلك لتحويل بيانات المعاملات إلى رؤى عبر خدماتنا: التصنيف، التعرف على الأنماط، كشف الشذوذ، وتقييم المخاطر. ستكون عالم البيانات لبيانات المعاملات عبر الشركة: تملك نماذج الإثراء من البداية إلى النهاية (النمذجة، التقييم، وكود الإنتاج)، والشراكة مع فرق المنتج والهندسة لتصميم، إطلاق، وقياس الميزات المدعومة بالنماذج في الخدمات الأخرى. امتلك وارفع مستوى إثراء المعاملات - الأساس الذي يقوم عليه كل شيء آخر: تصنيف يعمم على تجار لم نرهم من قبل، ومطابقة أسماء التجار التي تتسامح مع الاختلافات غير الضارة دون الخلط بين الشركات المختلفة حقًا. امتلك ثقة النموذج عبر أنظمتنا: احتمالات مضبوطة جيدًا، امتناع مبدئي عن الحالات غير المؤكدة، وتوجيه قائم على الثقة تعتمد عليه المنتجات وسير العمل للمراجعة. ابنِ نماذج رؤى قائمة على المعاملات للخدمات الأخرى: التعرف على الأنماط، كشف الشذوذ، وتحليل السلوك على تدفقات المعاملات. امتلك التحقق المستمر من نماذج المخاطر لدينا: اختبار النتائج مقابل سلوك المستخدم المحقق، مراقبة التمييز والمعايرة مع تطور السلوكيات، ودفع تحسينات النموذج بناءً على ما تظهره البيانات. تعامل مع بيانات النص والسلوك كما هي حقًا: ثنائية اللغة، عربية رومنة بشكل غير رسمي مع تهجئة غير مستقرة؛ تدفقات معاملات مع آثار الاقتطاع، غرائب البنوك، وتوزيعات ثقيلة الذيل. ابنِ خطوط أنابيب دفعية فعالة على نطاق مئات الملايين من السجلات، مصممة لإعادة تشغيلها بشكل روتيني مع تحسن النماذج. صمم ضمن حدود التكنولوجيا المالية المنظمة: حوكمة البيانات، الخصوصية، ومتطلبات الأمن السيبراني تشكل البيانات التي يمكننا استخدامها، وأين يمكن تشغيل أعباء العمل، والأدوات التي يمكننا اعتمادها - ستبني حلولًا ممتازة داخل هذه الحدود، بالعمل مع تلك الفرق بدلاً من الالتفاف حولها. ابنِ نظام التقييم الذي تستحقه هذه الأنظمة: مجموعات بيانات موسومة، مجموعات اختبار الانحدار لسلوك النموذج، ومقاييس تجيب على "هل ساعد هذا التغيير؟" لكل إصدار.

3+ سنوات من التعلم الآلي التطبيقي/علوم البيانات، مع نماذج تم شحنها وصيانتها في الإنتاج على نطاق واسع ومعرفة بأنماط فشلها. نطاق تحليلي قوي يتجاوز النمذجة: تحليل استكشافي، دقة إحصائية، وتصميم ميزات على بيانات سلوكية/جدولية (إتقان SQL مفترض). خبرة عملية في تشابه النص، المطابقة الضبابية، أو حل الكيانات على سلاسل العالم الحقيقي المشوشة. إتقان قوي للغة بايثون والمكدس العلمي (scikit-learn, scipy, numpy)، مع وعي بالأداء والتكلفة على نطاق واسع: التوجيه، هياكل البيانات المتناثرة، الحساب الدفعي الفعال. نضج مثبت في العمل تحت قيود مفروضة خارجيًا: حوكمة البيانات، الخصوصية، الأمن السيبراني، الامتثال، سياسة البنية التحتية - بما في ذلك التعاون مع الفرق التي تمتلكها. سجل حافل في تحويل شكاوى غامضة مثل "النموذج يبدو خاطئًا" إلى خصائص مقاسة ومختبرة بالانحدار. راحة في قراءة وتصحيح كود النموذج الذي لم تكتبه، والعمل مباشرة مع فرق المنتج على مشاكل محددة بشكل فضفاض. ميزات إضافية مرغوبة: معالجة النصوص العربية/العربيزي ميزة قوية؛ بياناتنا ثنائية اللغة مع رومنة غير مستقرة. نمذجة وتقييم مخاطر الائتمان أو السلوك: بطاقات الأداء، قياس التمييز والمعايرة، اختبار النتائج مقابل النتائج المحققة. تضمينات النص واسترجاع الجار الأقرب التقريبي في إعدادات واعية بالموارد. خطوط أنابيب التوسيم بمساعدة LLM، التقطير، أو الإشراف الضعيف. أدوات دورة حياة التعلم الآلي والخدمة الدفعية (تتبع التجارب، إصدار البيانات، قوائم انتظار المهام الموزعة).