Название: Старший прикладной специалист по данным Компания: Belvo Местоположение: 🇲🇽 Мехико / 🇧🇷 Сан-Паулу / 🇲🇽🇧🇷 Удаленно / Удаленно

Немного о нас:

Мы — Belvo, платформа API для открытых финансов с амбициозной целью — демократизировать доступ к финансовым услугам в Латинской Америке. Мы позволяем любому финансовому новатору получать доступ и интерпретировать финансовые данные, а также инициировать платежи с учетных записей своих конечных пользователей. Мы превращаем запутанные сложности финансовой экосистемы Латинской Америки в современный набор инструментов для беспрепятственного и безопасного доступа и интерпретации данных, а также перемещения денег.

Мы — высокотехничная, увлеченная и целеустремленная команда. Нас более 90 человек, и наша команда в настоящее время представляет 20 национальностей. У нас есть офисы в Сан-Паулу и Мехико, в то время как значительная часть нашей команды работает удаленно.

Мы решаем очень стимулирующую задачу: соединение финтех-инноваторов с устаревшей финансовой инфраструктурой. Мы стремимся выйти за рамки возможного сегодня и сделать это элегантно и с приоритетом для разработчиков.

С момента начала нашего приключения в мае 2019 года мы привлекли 71 миллион долларов от ведущих мировых венчурных инвесторов.

Вы можете узнать больше о нашей компании здесь, а о нашей команде и культуре здесь. Также посетите наш блог, чтобы узнать больше новостей о том, что мы создаем и как мы работаем.

О команде:

• Мы работаем в кросс-функциональных, автономных командах. Мы следуем лучшим практикам непрерывной поставки, реализованным на основе современного технологического стека.
• Наши продукты созданы для разработчиков, разработчиками. Технологическое совершенство — основа нашей деятельности.
• Мы прагматичны и ориентированы на клиента. Мы стремимся найти правильный набор компромиссов, чтобы как можно раньше проверить наши гипотезы, итеративно улучшая наши продукты на основе отзывов клиентов.
• Мы общаемся прозрачно. Мы проводим еженедельные общие собрания, где собираемся, чтобы обсудить результаты и цели компании.
• Хотя мы глобальны и поддерживаем удаленную работу, мы также работаем из наших оживленных офисов в Мехико и Сан-Паулу. Чтобы учесть различные часовые пояса, в которых мы находимся, мы обеспечиваем синхронизацию минимум на 3 часа в день.
• Кроме того, нас поддерживают некоторые из ведущих инвесторов из Кремниевой долины и Латинской Америки, включая Founders Fund, Kaszek Ventures и YCombinator.

Задача

Intelligence Squad — это команда Belvo, отвечающая за ИИ. Одна часть команды создает платформы и шаблоны, которые позволяют каждой команде Belvo внедрять ИИ. Эта роль находится в другой части: преобразование финансовых данных и платежей, которые мы агрегируем по всей Латинской Америке, в модели, которые принимают реальные решения, определяющие, кто заслуживает доверия, какая транзакция является мошеннической, к какой категории относится платеж, соответствует ли он заявлению о доходах. Эти данные приводят к реальным финансовым результатам для людей и бизнеса, поэтому требования к строгости высоки.

Вы будете эталоном в области науки о данных в команде. Мы не нанимаем кого-то для выполнения бэклога моделирования, написанного кем-то другим. Мы хотим, чтобы кто-то определял, какие проблемы стоит моделировать, как узнать, что модель достаточно хороша, и повышал уровень науки о данных для всех, с кем он работает. Вы будете достаточно глубоко разбираться в статистике и машинном обучении, чтобы защищать выбор моделирования перед кем угодно, будь то набор правил для упрощения задачи или сложная модель, которую вы построите. Вы будете достаточно близки к бизнесу, чтобы превратить коммерческую проблему в дорожную карту моделирования и бизнес-кейс. И вы будете достаточно сильным инженером, чтобы вывести свои модели из ноутбука в продакшн и управлять ими там.

Обязанности

• Разработка и выбор моделей: Руководство разработкой статистических моделей и моделей машинного обучения (классификация, регрессия, ранжирование, NLP или LLM) для таких задач, как оценка рисков, обнаружение мошенничества и категоризация транзакций. Выбирайте подходы на основе их преимуществ и защищайте этот выбор данными, а не привычкой.
• Доставка с использованием ИИ: Используйте генеративное кодирование и инструменты исследования как основную часть вашей работы: анализ данных, генерация и тестирование гипотез признаков, создание шаблонов конвейеров, написание сервиса вокруг модели. Нас интересуют принятые вами решения, а не часы, проведенные за клавиатурой, и мы ожидаем, что вы будете постоянно сокращать разрыв между этими двумя понятиями.
• Инжиниринг признаков с учетом бизнес-контекста: Работайте с отделами продукта и бизнеса, чтобы определить, какие сигналы в финансовых данных Belvo действительно объясняют моделируемый результат, и преобразуйте неоднозначный бизнес-вопрос в четко определенную проблему моделирования.
• Внедрение в продакшн и владение: Переводите модели за пределы ноутбука. Создавайте или формируйте конвейеры, API и сервисы, которые надежно запускают их в продакшене, и управляйте ими после запуска: мониторинг, дрейф, переобучение и вывод из эксплуатации, когда это подтверждается данными.
• Экспериментирование: Проектируйте и проводите эксперименты (A/B-тестирование и оффлайн-оценка) для подтверждения того, что изменение модели действительно влияет на метрику, на которую оно должно влиять.
• Кросс-функциональное партнерство: Тесно сотрудничайте с отделами инженерии, исследования данных, продукта и остальной частью Intelligence Squad для комплексной реализации, а также со стейкхолдерами по всему бизнесу, чтобы ваши модели основывались на том, что для них действительно важно.
• Партнерство с бизнесом и клиентами: Работайте напрямую со стейкхолдерами и, при необходимости, с клиентами. Преобразуйте неоднозначные бизнес-вопросы в четко определенные проблемы и четко объясняйте компромиссы и влияние нетехническим аудиториям, включая руководство.
• Поддержание актуальности: GenAI меняется еженедельно. Мы ожидаем, что вы будете искренне в курсе: релизов моделей, статей и инструментов, будете иметь свое мнение о том, что реально, а что — хайп, и приносить полезное в команду в виде демонстрации, документа или сессии для нашей общекорпоративной AI Chapter.
• Формулирование проблемы: Решайте, что стоит моделировать. Настаивайте, когда правило, эвристика или лучший конвейер данных решает проблему без модели, и будьте готовы уничтожить или вывести из эксплуатации свою собственную модель, когда данные это подтверждают.

Эта позиция может быть для вас, если

• У вас более 5 лет опыта работы в качестве специалиста по данным, прикладного специалиста или на аналогичной практической роли по моделированию.
• Вы управляли моделями от начала до конца в продакшене, от постановки задачи до мониторинга в реальном времени, и можете указать на их измеримое бизнес-влияние.
• У вас прочная основа в статистике, и вы можете объяснить, как работают ваши модели на этом уровне, а не только как их вызывать.
• Вы создавали и сравнивали более одного типа моделей (например, древовидные методы, регрессию, глубокое обучение) для одной и той же проблемы и можете обосновать, почему вы выбрали ту, которую внедрили.
• Вы комфортно владеете Python для науки о данных (pandas, scikit-learn и хотя бы одним из TensorFlow или PyTorch) и SQL для извлечения и формирования собственных данных.
• Вы самостоятельно внедрили в продакшн несколько созданных вами моделей, а не просто передали их кому-то другому для развертывания. Вы понимаете основы инженерии: тестирование, контроль версий, CI/CD и как писать код, который может поддерживать кто-то другой.
• Вы работали с LLM на уровне выше простого вызова API: использование инструментов или агентов, извлечение, структурированные выводы, и внедрили хотя бы один в продакшн. Вы можете объяснить, как вы поняли, что он достаточно хорош, что означает, что вы создали какую-либо форму оценки, а не просто просмотрели результаты.
• Инструменты генеративного кодирования являются частью вашего рабочего процесса, а не новинкой. Вы можете рассказать нам о конкретной задаче, которая раньше занимала дни, а теперь занимает часы: как вы ее настроили, что делегировали и где вы все еще не доверяете результату.
• Вы свободно владеете письменным и устным английским языком.

Потрясающе, если

• Вы работали в финтехе, в области финансового риска или в другой регулируемой среде данных.
• У вас есть опыт в бизнесе или стратегии в дополнение к науке о данных (MBA, консалтинг или роль в продукте/стратегии).
• Вы работали в роли специалиста по данным, ориентированной на клиента, например, в качестве инженера по развертыванию или в команде решений/прикладных разработок в компании, предоставляющей платформу данных.
• Вы работали с инструментами MLOps для версионирования моделей, мониторинга и автоматического переобучения.
• Вы разворачивали модели на AWS (например, SageMaker или эквивалентный управляемый сервис машинного обучения).
• Вы писали оценки или систему LLM-as-judge для недетерминированной системы и имеете свое мнение о том, где этот подход дает сбой.
• Вы использовали LLM внутри конвейера данных: для маркировки, извлечения, категоризации, и можете сказать, где они превосходят классическую модель, а где они незаметно уступают.

Технологический стек

• Python — наш основной язык для науки о данных и моделирования (pandas, scikit-learn и фреймворки глубокого обучения по мере необходимости).
• SQL против облачного хранилища данных для доступа к данным и работы с признаками. Claude развернут по всей компании и Claude Code для каждого инженера. Инструменты агентов являются частью нашей повседневной работы, а не побочным экспериментом.
• Облачная инфраструктура на AWS, предпочтительно с использованием управляемых сервисов, чтобы вы могли сосредоточиться на проблеме моделирования, а не на инфраструктурной обвязке.
• Платформа для экспериментов для A/B-тестирования и оффлайн-оценки.
• Мы используем Datadog для наблюдаемости сервисов по всей компании.
• Мы следуем лучшим практикам непрерывной интеграции и непрерывной поставки.

Наш технологический стек:

• Мы создаем нашу платформу с использованием современных технологий, уделяя особое внимание надежности и долгосрочной поддерживаемости.
• Мы в основном используем Python на бэкенде. Мы используем проверенные технологии, такие как Django, и активно используем asyncio Python для некоторых частей нашего стека.
• Мы используем Javascript, Vue.js и Sass на фронтенде. Мы разрабатываем и используем нашу собственную дизайн-систему и библиотеку компонентов.
• Мы запускаем нашу инфраструктуру на Amazon Web Services, используя управляемые сервисы. Мы, как правило, отдаем предпочтение управляемым сервисам, где это возможно, чтобы сосредоточиться на наших бизнес-задачах.
• Мы наблюдаем и контролируем наши сервисы с помощью Datadog.
• Мы следуем лучшим практикам непрерывной интеграции и непрерывной поставки.

Этапы нашего процесса:

В Belvo каждый наем так важен для нас, что мы принимаем решение о найме командой.

• Чат с командой по подбору персонала
• Тестовое задание на дом
• Презентация тестового задания
• Чат на соответствие команде
• Встреча с основателями

Наши бонусы:

🚀 Опционы на акции (мы все владельцы, и это очень важно для нас)

📈 Ежегодный бонус компании, привязанный к результатам работы компании

🔆 Гибкий рабочий график

🔝 Поддержка удаленной работы

🐶 Дружелюбное отношение к домашним животным

👩🏻‍⚕️ Медицинская страховка

🎊 Оплачиваемый выходной в день рождения

💻 Обновление ноутбука каждые 3 года

🙋 Бюджет на обучение

😎 Мероприятия по построению команды

🙀 Замена банковских праздников в течение 30 дней

🔋 Стипендии на фитнес/оздоровление

🚀 Ежегодный выезд компании

🍒 Свежие фрукты каждую неделю, безлимитный чай и кофе

🏝 Дополнительные выходные дни, накапливаемые при работе 2, 3, 4 года и далее в Belvo

🎳 Ежегодный выезд отдела