Антифрод аналитик

🔹Что нужно делать: -ML-моделирование для антифрода: Разработка, обучение и внедрение моделей машинного обучения для детекции фрода в транзакционном и сессионном трафике - классификаторы (XGBoost, LightGBM, нейросети), модели аномалий (Isolation Forest, Autoencoder), кластеризация поведенческих паттернов. -Скоринговые системы: Проектирование и поддержка ML-скоринга - поведенческий, транзакционный, идентификационный скоринг; калибровка вероятностных оценок, мониторинг дрейфа моделей. -Feature Engineering: Извлечение и конструирование признаков из сырых логов сессий, транзакций, отпечатков, графовых связей между сущностями. -Анализ трафика и обнаружение аномалий: анализ сессионного и транзакционного трафика для выявления фрод-паттернов с применением статистических методов и unsupervised ML - выбросы, нетипичные последовательности действий, поведенческие аномалии. -Валидация и тестирование моделей: тестирование и офлайн-валидация антифрод-моделей: метрики качества (AUC-ROC, KS, Gini, F1), анализ ошибок, контроль False Positive / False Negative. -Управление правилами и гибридные системы: Интеграция ML-моделей с rule-based движком: настройка триггеров, бэктестинг, калибровка порогов, поддержка единого пайплайна принятия решений. -Митигация автоматизированных угроз: Применение ML для выявления бот-активности, мультиаккаунтинга, бонусхантинга, парсинга. -Мониторинг и инциденты: Разработка ML-метрик и дашбордов для онлайн-мониторинга качества моделей; участие в расследовании фрод-инцидентов, переобучение моделей при смене паттернов атак. 🔹Что ждём от кандидата: -Практический опыт построения ML-моделей для fraud detection или смежных задач (credit scoring, anomaly detection, churn prediction). -Уверенное владение Python и ML-стеком: scikit-learn, XGBoost/LightGBM, optionally PyTorch/TensorFlow для sequence-моделей. -Опыт работы с большими объёмами неструктурированных данных: сырые логи, event streams, транзакционные цепочки. -Уверенный SQL для работы с аналитическими хранилищами. -Понимание метрик качества бинарной классификации и оценки бизнес-эффекта моделей. -Будет плюсом: Опыт с графовыми методами для выявления связанных мошеннических сетей (Graph Neural Networks, community detection); работа с потоковыми данными (Kafka, Flink) для онлайн-скоринга в реальном времени; интеграция внешних scoring API и дата-провайдеров