ما در حال ساخت یک محصول هوشمند داده‌محور برای صنعت مالی هستیم؛ محصولی که به کسب‌وکارها کمک می‌کند تصمیم‌های حساس و پرتکرار خود را با دقت، سرعت و قابلیت اتکای بیشتری اتخاذ کنند.
تمرکز ما بر ترکیب یادگیری ماشین، تحلیل داده و مهندسی نرم‌افزار برای حل مسائل واقعی در مقیاس عملیاتی است؛ مسائلی که خروجی آن‌ها مستقیماً بر کیفیت تصمیم‌گیری، مدیریت ریسک و تجربه کاربران نهایی اثر می‌گذارد.
ما به دنبال توسعه سیستمی هستیم که صرفاً یک مدل پیش‌بینی نباشد، بلکه بتواند به‌صورت پایدار، قابل توضیح و قابل استفاده در فرآیندهای واقعی کسب‌وکار عمل کند. به همین دلیل، دقت مدل، تفسیرپذیری خروجی‌ها، کیفیت داده، پایداری در محیط Production و طراحی معماری مقیاس‌پذیر برای ما اهمیت بالایی دارد.
درباره موقعیت شغلی
ما به دنبال یک Senior/Lead Machine Learning Engineer هستیم که در طراحی، توسعه و تکامل بخش‌های داده‌محور محصول نقش کلیدی داشته باشد. در این موقعیت، علاوه بر توسعه مدل‌های یادگیری ماشین، در طراحی معماری، ساخت Pipelineهای داده، استقرار مدل‌ها در محیط Production و بهبود مستمر عملکرد آن‌ها نیز مشارکت خواهید داشت.
این جایگاه برای فردی مناسب است که از حل مسائل پیچیده با داده لذت می‌برد، به کیفیت مهندسی نرم‌افزار اهمیت می‌دهد و می‌تواند میان جنبه‌های فنی، نیازهای محصول و ملاحظات عملیاتی تعادل برقرار کند. در این نقش، علاوه بر طراحی، توسعه و استقرار راهکارهای مبتنی بر یادگیری ماشین، در تصمیم‌گیری‌های فنی، طراحی معماری سیستم و توسعه زیرساخت‌های MLOps نیز نقش موثری خواهید داشت.
مسئولیت‌های شما

• توسعه و استقرار مدل‌های یادگیری ماشین: طراحی و توسعه مدل‌های پیش‌بینی برای مسائل داده‌محور، با تمرکز بر دقت، پایداری و قابلیت استفاده در محیط Production.
• معماری و پایپ‌لاین‌ها (MLOps): طراحی پایپ‌لاین‌های End-to-End شامل پاک‌سازی داده‌ها، مهندسی ویژگی (Feature Engineering)، آموزش مدل، دیپلوی، مانیتورینگ و بازآموزی خودکار.
• مدیریت کیفیت داده و سوگیری مدل: پیاده‌سازی روش‌های مناسب برای کاهش سوگیری مدل، بهره‌گیری حداکثری از داده‌های موجود و مدیریت اصولی داده‌های به‌شدت نامتوازن (Imbalanced Data).
• طراحی سیستم با محوریت تفسیرپذیری (Explainability-First): توسعه زیرساخت‌هایی که امکان تفسیر و تحلیل تصمیمات مدل را برای ذی‌نفعان فنی و کسب‌وکاری فراهم کند (تولید Reason Codes بر اساس منطق کسب‌وکار).
• همکاری در توسعه محصول: همکاری نزدیک با تیم‌های محصول و سایر ذی‌نفعان برای تبدیل خروجی مدل‌ها به قابلیت‌های قابل استفاده در محصول.
• مانیتورینگ و حاکمیت مدل (Model Governance): پایش مستمر عملکرد مدل در محیط Production (Drift Detection)، ارزیابی پایداری مدل با شاخص‌هایی مانند PSI (Population Stability Index) و اطمینان از عدم وقوع Data Leakage.

شرایط و مهارت‌های مورد نیاز

• بیش از 5 سال تجربه عملی در یادگیری ماشین، علم داده و پیاده‌سازی پروژه‌های Applied AI در محیط‌های واقعی.
• درک قوی از مفاهیم ریسک اعتباری (PD, LGD, EAD, Expected Loss, Bad Rate, Vintage Analysis) و سیاست‌های پذیرش ریسک.
• تسلط عمیق بر مفاهیم Interpretability و Explainable AI (نظیر SHAP, LIME) و توانایی تبدیل این خروجی‌ها به زبان ساده برای ذی‌نفعان غیرفنی.
• تجربه قوی در توسعه مدل‌های ML برای داده‌های جدولی (Tabular Data) شامل Logistic Regression, Scorecards (Woe/IV), Random Forest, XGBoost, LightGBM, CatBoost.
• درک کامل از متریک‌های ارزیابی ریسک اعتباری شامل Gini, KS, AUC, PR-AUC, PSI, Calibration و Brier Score.
• مهارت بالا در برنامه‌نویسی Python، تسلط بر کتابخانه‌های اکوسیستم داده (Pandas, Scikit-Learn) و کوئری‌نویسی پیشرفته SQL.
• تجربه عملی در مهندسی نرم‌افزار، Git، و دیپلوی مدل‌ها در محیط Production (FastAPI, Docker, MLflow و مفاهیم اولیه CI/CD).
• مهارت ارتباطی بالا برای تعامل سازنده با تیم‌های محصول، ریسک و مدیران C-Level.

موارد زیر مزیت محسوب می‌شوند

• تجربه در توسعه Feature Storeها.
• آشنایی با تست‌های A/B، Champion/Challenger Testing، Shadow Deployment و اعتبارسنجی مبتنی بر زمان (OOT Validation).