Антифрод аналитик
Мы ищем кандидата на кросс-функциональную роль, которая сочетает задачи как по защите от онлайн-фрода и киберугроз, так и по обеспечению безопасности систем и инфраструктуры.
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.
