FIS
FIS
FIS برای بانک‌ها، کسب‌وکارها و دولت‌ها در سراسر جهان فناوری مالی توسعه می‌دهد. مجموعه پلتفرم‌های آن شامل بانکداری دیجیتال، وام‌دهی، پرداخت‌ها، امور مالی خودکار، مدیریت ثروت و انطباق است و به سازمان‌ها کمک می‌کند ذخیره‌سازی، انتقال، سرمایه‌گذاری و عملیات مرتبط با پول را به‌صورت امن مدیریت کنند. این شرکت تخصص فین‌تک را با ابزارهایی ترکیب می‌کند که برای بهبود بهره‌وری، کنترل هزینه‌ها و پشتیبانی از تجربه بهتر مشتریان طراحی شده‌اند.

دانشمند دادهٔ جونیور، خدمات مالی

مدل‌های پیش‌بینی و راهکارهای هوش مصنوعی را برای محصولات خدمات مالی FIS بسازید و به‌کار بگیرید. یادگیری ماشین را در مدیریت ریسک، تقلب، بازاریابی، سبد سرمایه‌گذاری و پرداخت به‌کار ببرید.

توضیحات

  • برای چالش‌های خدمات مالی در زمینه‌های ریسک، تقلب، بازاریابی و مدیریت سبد سرمایه‌گذاری، تحلیل‌های اکتشافی، مدل‌های پیش‌بینی و راهکارهای هوش مصنوعی ایجاد کنید.
  • یافته‌های یادگیری ماشین را به پیشنهادهای کاربردی محصول برای مخاطبان داخلی و خارجی تبدیل کنید.
  • در طراحی، توسعه، اعتبارسنجی، استقرار و پایش راهکارهای تحلیل پیشرفته، یادگیری ماشین و هوش مصنوعی مشارکت کنید.
  • داده‌های مدل‌سازی را با استفاده از ساختارهای داده و الگوریتم‌های مناسب آماده و تحلیل کنید.
  • داده‌ها را از منابع موجود و جدید ترکیب کنید تا راهکارهای تحلیلی سرتاسری بسازید.
  • برای حل مسائل پیچیدهٔ پرداخت و خدمات مالی از یادگیری ماشین، تحلیل پیش‌بینانه، پردازش زبان طبیعی، هوش مصنوعی مولد و هوش مصنوعی عامل‌محور استفاده کنید.
  • برای آزمایش‌ها، آزمون فرضیه‌ها و تحلیل‌های آماری برنامه‌ریزی کنید و آن‌ها را انجام دهید.
  • روش‌های درست در علم داده، یادگیری ماشین، مهندسی ویژگی، آزمایش، حاکمیت مدل و MLOps را ترویج کنید.
  • تحولات صنعت را دنبال کنید و نوآوری‌های مرتبط را با تیم به اشتراک بگذارید.

شرایط لازم

  • مدرک کارشناسی ارشد یا بالاتر در ریاضیات، علوم کامپیوتر، مهندسی، پژوهش عملیاتی، آمار یا یک رشتهٔ کمی مرتبط.
  • ۱ تا ۳ سال تجربه در ساخت و استقرار راهکارهای سرتاسری یادگیری ماشین، تحلیل پیش‌بینانه و علم داده در حوزهٔ پرداخت، بانکداری یا خدمات مالی.
  • تسلط بالا به Python و SQL.
  • تجربهٔ کار با ابزارهای کلان‌داده مانند Spark یا PySpark مزیت محسوب می‌شود.
  • تجربهٔ عملی در پاک‌سازی و آماده‌سازی داده، مهندسی ویژگی و توسعهٔ مدل با کتابخانه‌هایی مانند Pandas، NumPy، Scikit-learn، Matplotlib، Seaborn یا Plotly.
  • تجربه در ساخت و استقرار مدل‌های یادگیری ماشین در محیط عملیاتی یا نزدیک به محیط عملیاتی.
  • تسلط به ابزارهای مصورسازی داده و هوش تجاری مانند Tableau یا ابزار معادل.
  • مهارت‌های قوی تحلیلی و حل مسئله، از جمله توانایی تبدیل چالش‌های مبهم کسب‌وکار به رویکردهای تحلیلی دقیق.
  • توانایی همکاری با تیم‌های محصول، مهندسی و کسب‌وکار.
  • تجربه در حوزهٔ پرداخت، بانکداری یا خدمات مالی.
  • تجربهٔ عملی با Databricks، از جمله MLflow، Model Registry، دفترچه‌های یادداشت مشارکتی و گردش‌کارهای MLOps.
  • تجربهٔ استقرار راهکارهای یادگیری ماشین بومی ابر، به‌ویژه روی AWS.
  • آشنایی با تحولات مدل‌های ترنسفورمر و هوش مصنوعی عامل‌محور.
  • آگاهی از حاکمیت مدل، رعایت الزامات قانونی و روش‌های MLOps در خدمات مالی تحت نظارت مقررات.
  • برای موقعیت‌های مستقر در آمریکا، متقاضیانی که پیشنهاد مشروط دریافت می‌کنند باید آزمایش مواد مخدر انجام دهند.

مزایا

  • فرصت مشارکت در آیندهٔ فناوری مالی.
  • یادگیری مستمر و توسعهٔ حرفه‌ای.
  • محیط کاری مشارکتی.
  • فرصت‌هایی برای حمایت از جامعه.
  • حقوق و مزایای رقابتی.

فرصت‌های شغلی مرتبط

Asurion

دانشمند داده حضوری، عامل‌های مجازی در اَسوریون

Asurion

برای عملیات پشتیبانی مشتریان اَسوریون، ابزارهای هوش مصنوعی مولد و عامل‌های مجازی بسازید. راهکارهای بلادرنگ مبتنی بر ال‌ال‌ام، مدل‌های ان‌ال‌پی و قابلیت‌های هوش مصنوعی آماده تولید توسعه دهید.

باز کردن