Кредит тәуекелдерін модельдеу дирекциясының басшысы
Міндеттері
• Кредиттік скоринг, өндіріп алу (collection) және алаяқтыққа қарсы іс-қимыл (fraud) бағыттары бойынша Data Scientists мамандарынан, ML-инженерлерден және деректер аналитиктерінен тұратын команданы басқару (мақсат қоюдан бастап кадрлық резервті қалыптастыруға дейін).
• Бағыттың даму стратегиясын әзірлеу және бастамалар портфелін басқару, олардың экономикалық тиімділігін және Банктің бизнес-мақсаттарымен үйлесімділігін қамтамасыз ету.
• DS/AI/ML өнімдерінің толық өмірлік циклін қамтамасыз ету: бизнес-гипотезаны қалыптастырудан және зерттеуден (Research) бастап өнеркәсіптік пайдалануға енгізуге, MLOps сүйемелдеуге және тұрақты мониторинг жүргізуге дейін.
• Шешім қабылдау процестерін автоматтандыруға, кредиттік тәуекелдерді басқаруға және алаяқтыққа қарсы іс-қимыл жасауға арналған аналитикалық шешімдерді енгізу (тәуекел көрсеткіштерімен жұмыс істеуді қоса алғанда: DR, AR, CoR және т.б.).
• Банктің мүдделерін қорғау және ХҚЕС 9/Базель талаптарын сақтау мақсатында бизнес-бөлімшелермен, IT-сәулет бағытымен, реттеуші органдармен және топ-менеджментпен тиімді өзара іс-қимылды жолға қою.
Талаптар
1. Басқару тәжірибесі және көшбасшылық қасиеттер
• Data Science / AI / ML саласында кемінде 5 жыл жұмыс тәжірибесі, оның ішінде кемінде 2 жыл басшылық лауазымдағы тәжірибе (Team Lead / Department Head).
• Data Science мамандарының, ML-инженерлердің, MLOps және аналитиктердің командаларын басқару бойынша практикалық тәжірибе: KPI белгілеу, құзыреттерді дамыту, тиімділікті басқару, қызметкерлерді жұмысқа қабылдау және кадрлық резервті қалыптастыру.
• Стратегия әзірлеу, жобалар портфелін басқару, сондай-ақ бизнес-бөлімшелермен, IT бағытымен және реттеуші органдармен тиімді әрі үздіксіз өзара іс-қимыл жасау тәжірибесі.
2. Тәуекелдер және банк қызметі саласындағы сараптама
• Кредит тәуекелдерін (PD, LGD, EAD), андеррайтинг, өндіріп алу және алаяқтыққа қарсы іс-қимыл процестерін (оның ішінде AML және тәуекелдерге мониторинг жүргізу) бағыттарын терең түсіну.
• Негізгі тәуекел көрсеткіштерін (DR, AR, CoR), банк заңнамасын және реттеушінің талаптарын (оның ішінде ХҚЕС 9, модельдік тәуекелдерді басқару және дербес деректерді қорғау) білу.
• ML-шешімдерді енгізудің бизнес және экономикалық әсерін бағалау тәжірибесі.
3. Техникалық сараптама және MLOps
• ML-өнімдерінің толық өмірлік циклін басқару бойынша практикалық тәжірибе: деректерді дайындаудан бастап өндірістік ортаға енгізуге, мониторинг жүргізуге және қайта оқытуға дейін.
• Заманауи технологиялық стекті меңгеру: Python, SQL, Git, сондай-ақ MLOps-конвейерлерін құру үшін Airflow, MLflow, Docker, JupyterHub, Hadoop, DVC немесе ұқсас құралдармен жұмыс тәжірибесі.
• Модельдерді бағалау әдістерін (Gini, PSI, A/B тестілеу, SHAP/LIME арқылы интерпретациялау) терең білу және үлкен көлемдегі деректермен жұмыс істеу тәжірибесі.
Артықшылық ретінде қарастырылады:
• Қаржы секторында GenAI / LLM шешімдерін (RAG, AI-агенттер, LangChain) енгізу тәжірибесінің болуы.
• Скоринг немесе верификациялау тапсырмаларында компьютерлік көру (Computer Vision) технологияларын қолдану тәжірибесінің болуы.