🎯 ТВОЯ ЗАДАЧА

Строить скоринг регистраций и платежей в реальном времени. Находить фермы аккаунтов по графу связей, внедрять модели в production и оценивать предотвращённые потери.

🧠 КОГО ИЩЕМ

3+ года в DS/ML с моделями в production. Python, SQL, бустинги, графы и работа с дисбалансом классов. Исследователь, который сам разбирает кейсы и доводит модели до результата.

📌 МЫ ПРЕДЛАГАЕМ

• Зарплата в USD + опционы
• AI-продукт с 35M+ пользователей
• Модели в production с эффектом в предотвращённых потерях
• Полный цикл: от исследования до внедрения модели

Подробнее: задачи · требования · будет плюсом · условия · о компании · подать заявку

Формат работы: Алматы · офис · 6 дней в неделю

О КОМПАНИИ

Higgsfield AI — самая быстрорастущая AI-компания в истории: $1B годовой выручки (ARR), 35M+ пользователей по всему миру.

Наша цель — не просто быть успешными, а расти быстрее всех, первыми создавать и перенимать лучшие решения и плэйбуки.

В нашей команде удобно только победителям и самостоятельным специалистам. Если ты хочешь получать много ответственности и доводить задачу от начала до конца — тебе к нам.

📍 Алматы · Работа из офиса · Релокация От 3 лет в DS/ML с моделями в production. Удалённый формат не предусмотрен.

О КОМАНДЕ

Антифрод в Higgsfield AI занимается выявлением злоупотреблений при регистрации, оплате и использовании продукта. Мы работаем с поведением пользователей, транзакциями и связями между аккаунтами, взаимодействуем с аналитиками, продуктом и разработкой. Ищем специалиста, который сочетает исследовательскую работу с разбором реальных кейсов и умеет доводить модели до production.

ЧЕМ ВЫ БУДЕТЕ ЗАНИМАТЬСЯ

• Разрабатывать модели оценки риска регистраций и платежей в реальном времени, работать над качеством скоринга и скоростью принятия решений.
• Исследовать мошеннические сценарии, самостоятельно разбирать кейсы и формулировать гипотезы о новых признаках и способах обнаружения.
• Строить графы связей между аккаунтами, находить кластеры и фермы, оценивать устойчивость обнаружения к изменениям поведения.
• Работать с сильным дисбалансом классов, неполной и запаздывающей разметкой, учитывать утечки данных при подготовке выборок.
• Обучать и валидировать модели, выбирать пороги с учётом предотвращённых потерь, стоимости ошибок и влияния на добросовестных пользователей.
• Внедрять модели и признаки в production совместно с разработкой, контролировать стабильность и воспроизводимость расчётов.
• Настраивать мониторинг качества моделей и дрейфа данных, исследовать деградации и обновлять модели по мере появления новых сценариев.