شرح وظایف:

• طراحی، آموزش و استقرار (deploy) مدل‌های یادگیری ماشین برای پیش‌بینی تقلب در تراکنش‌ها و رفتار کاربران (مثل Classification، Anomaly Detection، Graph-based Fraud Detection).
• تحلیل داده‌های حجیم و بلادرنگ (real-time/streaming) برای شناسایی الگوهای جدید تقلب.
• طراحی ویژگی (Feature Engineering) از داده‌های تراکنشی، رفتاری و دستگاهی برای بهبود دقت مدل‌ها.
• ارزیابی و بهبود مستمر مدل‌ها با معیارهایی مثل Precision، Recall، F1-score، ROC-AUC و کاهش نرخ False Positive.
• طراحی معماری سیستم تشخیص تقلب (rule-based + ML-based) و ترکیب بهینه این دو رویکرد.
• بررسی عمیق و ریشه‌ای موارد پیچیده تقلب (Root Cause Analysis) و تبدیل یافته‌ها به قوانین/ویژگی‌های جدید برای مدل.
• طراحی و اجرای A/B Test برای سنجش اثربخشی مدل‌ها و قوانین پیش از استقرار نهایی.
• ساخت و نگهداری داشبوردها و ابزارهای مانیتورینگ برای رصد عملکرد مدل و روند تقلب.
• رصد تکنیک‌های نوظهور تقلب (fraud patterns) و به‌روزرسانی پیش‌دستانه مدل‌ها و قوانین.

شرایط احراز:

• کارشناسی یا کارشناسی ارشد در علوم کامپیوتر، آمار، ریاضی، مهندسی یا رشته‌های کمّی مرتبط.
• حداقل 3 سال تجربه در حوزه Fraud Analytics، Risk Modeling یا Data Science با تمرکز بر ماشین‌لرنینگ.
• تسلط قوی بر Python (Pandas, NumPy, Scikit-learn) و تجربه عملی با الگوریتم‌هایی مثل XGBoost, LightGBM, Random Forest و ترجیحاً مدل‌های Deep Learning یا Graph-based.
• تجربه عملی در ساخت مدل‌های real-time یا near real-time برای تشخیص تقلب.
• تسلط بر SQL و کار با داده‌های حجیم (Big Data)؛ آشنایی با Spark/Hadoop مزیت محسوب می‌شود.
• آشنایی عمیق با معیارهای ارزیابی مدل (Precision, Recall, F1, ROC-AUC) و چالش‌های داده نامتوازن (Imbalanced Data).
• تجربه در طراحی آزمایش (A/B Testing) و تحلیل آماری.
• آشنایی با ابزارهای BI مثل Power BI یا Tableau مزیت محسوب می‌شود.
• تفکر تحلیلی قوی، توانایی حل مسئله پیچیده و دقت بالا در تشخیص الگو.
• توانایی ارتباط موثر با تیم‌های فنی و غیرفنی و ارائه یافته‌ها به مدیریت.
• حس مالکیت بالا و توانایی هدایت فنی پروژه‌ها به‌صورت مستقل.