خبير بيانات أول - ذكاء المعاملات

حول الدور: "ملا" هي أول منصة مصرفية مفتوحة للبيع بالتجزئة في المملكة العربية السعودية. منتجنا مبني على أصل أساسي واحد: مئات الملايين من سجلات البيانات السلوكية. 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 النصوص القصيرة والمزعجة باللغة الإنجليزية والعربية اللاتينية المختلطة، وحلها إلى كيانات تجارية حقيقية)، ثم بناء النماذج والتحليلات فوقها لتحويل بيانات المعاملات إلى رؤى عبر خدماتنا: التصنيف، التعرف على الأنماط، اكتشاف الحالات الشاذة، وتقييم المخاطر. ستكون عالم البيانات لبيانات المعاملات عبر الشركة: امتلاك نماذج الإثراء من البداية إلى النهاية (النمذجة، التقييم، وكود الإنتاج)، والشراكة مع فرق المنتج والهندسة لتصميم وإطلاق وقياس الميزات المدعومة بالنماذج في الخدمات الأخرى. امتلاك ورفع مستوى إثراء المعاملات - الأساس الذي يقوم عليه كل شيء آخر: تصنيف يعمم على التجار الذين لم نرهم من قبل، ومطابقة أسماء التجار التي تتسامح مع الاختلافات غير الضارة دون الخلط بين الشركات المختلفة حقًا. امتلاك ثقة النموذج عبر أنظمتنا: احتمالات مضبوطة جيدًا، الامتناع المبدئي عن الحالات غير المؤكدة، والتوجيه القائم على الثقة الذي تعتمد عليه المنتجات وسير العمل للمراجعة. بناء نماذج رؤى قائمة على المعاملات للخدمات الأخرى: التعرف على الأنماط، اكتشاف الحالات الشاذة، والتحليل السلوكي على تدفقات المعاملات. امتلاك التحقق المستمر من نماذج المخاطر لدينا: اختبار رجعي للنتائج مقابل سلوك المستخدم المحقق، مراقبة التمييز والمعايرة مع تطور السلوكيات، ودفع تحسينات النموذج بناءً على ما تظهره البيانات. التعامل مع بياناتنا النصية والسلوكية كما هي حقًا: العربية ثنائية اللغة والمكتوبة بالحروف اللاتينية بشكل غير رسمي مع تهجئة غير مستقرة؛ تدفقات المعاملات مع آثار الاقتطاع، وخصائص البنوك، والتوزيعات ذات الذيل الثقيل. بناء خطوط أنابيب دفعية فعالة على نطاق مئات الملايين من السجلات، مصممة لإعادة تشغيلها بشكل روتيني مع تحسن النماذج. التصميم 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. بناء نظام التقييم الذي تستحقه هذه الأنظمة: مجموعات بيانات مصنفة، 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 إطلاقها وصيانتها في الإنتاج على نطاق واسع ومعرفة بأنماط فشلها. نطاق تحليلي قوي يتجاوز النمذجة: التحليل الاستكشافي، الدقة الإحصائية، وتصميم الميزات على البيانات السلوكية/الجدولية (إتقان SQL مفترض). خبرة عملية في تشابه النصوص، المطابقة الضبابية، أو حل الكيانات على سلاسل نصية مزعجة من العالم الحقيقي. إتقان قوي للغة بايثون والمكدس العلمي (scikit-learn, scipy, numpy)، مع الوعي 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 "النموذج يبدو خاطئًا" الغامضة إلى خصائص مقاسة ومختبرة بالانحدار. الراحة في قراءة وتصحيح كود النموذج الذي لم تكتبه، والعمل مباشرة مع فرق المنتج على مشاكل محددة بشكل فضفاض. المهارات الإضافية المرغوبة: معالجة النصوص العربية / العربيزي ميزة قوية؛ بياناتنا ثنائية اللغة مع كتابة لاتينية غير مستقرة. نمذجة المخاطر الائتمانية أو السلوكية والتحقق منها: بطاقات الأداء، قياس التمييز والمعايرة، الاختبار الرجعي مقابل النتائج المحققة. تضمينات النصوص والبحث التقريبي عن أقرب الجيران في بيئات واعية بالموارد. خطوط أنابيب التصنيف بمساعدة LLM، التقطير، أو الإشراف الضعيف. أدوات دورة حياة التعلم الآلي والخدمة الدفعية (تتبع التجارب، إصدار البيانات، قوائم انتظار المهام الموزعة).