A Visa globális fizetéstechnológiai vállalat, amely elektronikus fizetési hálózatán keresztül fogyasztókat, kereskedőket, pénzügyi intézményeket és kormányokat szolgál ki. Platformja a hitel-, betéti és előre fizetett tranzakciókat, valamint a fogyasztók és vállalkozások számára nyújtott fizetésfeldolgozást, csalásmegelőzést, biztonsági, elemzési és egyéb szolgáltatásokat támogatja. A Visa emellett új fizetési megoldásokat is fejleszt, többek között mesterséges intelligenciával támogatott kereskedelmi kezdeményezéseket, és a Visa Alapítványon keresztül elősegíti a pénzügyi inklúziót.
Vezető adatelemző, AML és szankciós szűrés
Gépi tanulással és fuzzy egyeztetéssel fejleszti és finomítja a Visa pénzmosás elleni és szankciós szűrési modelljeit. Javítja a globális fizetési megfelelőség felderítési minőségét, és csökkenti a téves pozitív találatok számát.
Leírás
- Nagy adathalmazokat elemez, és az üzleti kérdésekből hasznosítható megállapításokat készít.
- Strukturált és félig strukturált adatokat vizsgál, többek között neveket, címeket és azonosítókat.
- Értékeli az adatok minőségét, teljességét és szankciós szűrésre való alkalmasságát.
- Meghatározza és teszteli az egyeztetéshez és pontozáshoz használt jellemzőket.
- Az adatforrások kialakításán és az adatok átalakításán adatfejlesztő csapatokkal dolgozik.
- Szabályalapú és fuzzy egyeztetésen alapuló szankciós szűrési modelleket fejleszt és javít.
- A felismerési pontosság növelése és a téves pozitív találatok csökkentése érdekében módosítja a küszöbértékeket és a pontozási logikát.
- Elemzi a szűrési eredményeket, és közreműködik az egyezési minőséget javító jellemzők kialakításában.
- Naprakészen tartja a modell logikájáról, feltételezéseiről és változásairól szóló, auditálásra kész dokumentációt.
- Nyomon követi a modell teljesítményét, és a szabályozási, valamint modellkockázat-kezelési előírásokkal összhangban javításokat végez.
- Megfelelő mutatókkal és statisztikai módszerekkel kísérleteket tervez és végez a modell teljesítményének értékelésére.
- Az ellenőrzést, validálást, auditokat és hatósági felülvizsgálatokat a megfelelőségi, modellkockázat-kezelési és technológiai csapatokkal koordinálja.
- Validálja a modelleket, hogy megerősítse pontosságukat, megbízhatóságukat és megfelelőségüket.
- Az üzleti egységek és szabályozott szervezetek érintettjeivel együttműködve támogatja a modellkockázat-kezelési gyakorlatokat.
- Dokumentálja a modellek felépítését, megvalósítását és módszertanát.
- Áttekinti a modelljelentéseket, és megosztja a megállapításokat, következtetéseket és ajánlásokat a műszaki és üzleti érintettekkel.
- Válaszol az üzleti érintettek eseti kéréseire.
- Olyan végfelhasználói élményeket alakít ki, amelyek mérhető értéket nyújtanak, és közben egyszerűen használhatók maradnak.
Követelmények
- Kapcsolódó területen legalább 5 év releváns tapasztalat alapdiplomával, 2 év mesterdiplomával, doktori fokozattal nem szükséges tapasztalat, vagy legalább 8 év releváns tapasztalat.
- Mérnöki, közgazdasági, statisztikai, matematikai vagy más kapcsolódó műszaki területen szerzett alap- vagy mesterdiploma.
- Legalább 5 év tapasztalat adatelemzésben, jelentéskészítésben, statisztikai elemzésben, kutatásban, adatbányászatban, trendanalízisben vagy kapcsolódó területen.
- Tapasztalat gépi tanulási modellek fejlesztésében és bevezetésében SAS, SQL, Python vagy R, Hive és/vagy Spark használatával.
- Tapasztalat prediktív és leíró statisztikai modellek építésében olyan MI- és gépi tanulási módszerekkel, mint a logisztikus regresszió, a véletlen erdők, az SVM, az XGBoost, a CNN vagy az RNN.
- Szakértelem a szankciós szűrés és névegyeztetés terén.
- A pénzmosás és a terrorizmusfinanszírozás elleni keretrendszerek, valamint a pénzügyi bűnözés elleni megfelelőségi gyakorlatok ismerete.
- A globális szankciós rendszerek, köztük az OFAC, az EU, az ENSZ és az Egyesült Királyság iránymutatásainak ismerete.
- Tapasztalat szabályalapú vagy statisztikai modellekkel.
- Jártasság olyan szankciós platformokban, mint a Fircosoft, a Comply, az Advantage, a World-Check és az Actimize.
- Szakértelem az MI-módszerekben, többek között a gépi tanulásban, a természetesnyelv-feldolgozásban, a mélytanulásban és a generatív MI-ben.
- Tapasztalat Python-könyvtárakkal, például a pandas, a NumPy, a Matplotlib és a scikit-learn használatával.
- A fuzzy egyeztetés, az NLP-alapú n-gramok, a fonetika, a tokenizálás és a hasonlósági pontozás ismerete.
- Erős adatbázis-kezelési, adatkinyerési és adatmanipulációs készségek.
- Hatékony munkavégzés gyors tempójú, nagy nyomással járó környezetben, világszerte működő csapatokkal.
- Rugalmasság az időzónákon átívelő munkaidő vállalására.
- Kiváló kommunikációs, üzleti írásbeli és érintettkezelési készségek.
Juttatások
- Hibrid munkavégzés.
- Rugalmas munkarend az időzónákhoz igazodva.