SSC HR Solutions to założona w 2006 roku firma konsultingowa oferująca kompleksowe usługi w zakresie zarządzania zasobami ludzkimi. Firma pomaga przedsiębiorstwom zarządzać personelem na wszystkich etapach cyklu życia pracownika — od rekrutacji i administracji pracowniczej po rozwiązanie stosunku pracy — dostosowując usługi do konkretnych potrzeb związanych z rozwojem talentów. Działając w Egipcie, Zjednoczonych Emiratach Arabskich, Arabii Saudyjskiej i Bahrajnie, SSC HR Solutions współpracuje z organizacjami z sektorów konsultingowego, logistycznego i ochrony zdrowia, pomagając im odpowiadać na potrzeby kadrowe i wspierać zrównoważony rozwój biznesu.
Starszy inżynier uczenia maszynowego — Egipt (praca zdalna)
Kierowanie produkcyjnym uczeniem maszynowym na potrzeby oceny klientów, w tym modeli rezygnacji, skłonności, wartości klienta w całym okresie relacji, intencji wydatkowej i reakcji. Odpowiedzialność za MLOps, wdrażanie, ponowne trenowanie, monitorowanie, ocenę i kalibrację w samodzielnie zarządzanej platformie danych.
Opis
- Odpowiadać za predykcyjne oceny klientów w produkcie w obszarach rezygnacji, skłonności, wartości klienta w całym okresie relacji, intencji wydatkowej i reakcji.
- Stosować uczenie maszynowe i tabelaryczne modelowanie predykcyjne do danych klientów.
- Tworzyć i utrzymywać modele produkcyjne do predykcji i oceny klientów.
- Zarządzać pełnym cyklem życia modeli — od trenowania i wdrażania po ponowne trenowanie, monitorowanie, ocenę i kalibrację.
- Uruchamiać modele w środowisku samodzielnie zarządzanej platformy danych.
- Wspierać inicjatywy związane z modelowaniem predykcyjnym ukierunkowane na środowisko produkcyjne.
Wymagania
- Udokumentowane doświadczenie w stosowaniu modeli uczenia maszynowego na produkcji, a nie wyłącznie w badaniach lub projektach typu proof of concept.
- Bardzo dobre praktyczne doświadczenie w tabelarycznym modelowaniu predykcyjnym z wykorzystaniem danych klientów.
- Doświadczenie w tworzeniu modeli rezygnacji lub skłonności w telekomunikacji, bankowości lub handlu detalicznym.
- Umiejętność budowania potoków trenowania, wdrażania i ponownego trenowania w samodzielnie zarządzanym środowisku.
- Praktyczne doświadczenie w MLOps, obejmujące rejestry modeli, wersjonowanie, ponowne trenowanie, monitorowanie i wykrywanie dryfu.
- Swoboda pracy w ramach platformy danych zamiast polegania wyłącznie na notebookach.
- Doświadczenie w modelowaniu uplift lub modelowaniu przyczynowym na potrzeby targetowania przyrostowego.
- Znajomość projektowania repozytoriów cech.
- Umiejętność współpracy z interesariuszami biznesowymi przy określaniu sposobu wykorzystania predykcji.