Senior Applied Scientist - Transaction Risk Management (all genders)

Rejoignez Zalando en tant que Senior Applied Scientist dans la Gestion des Risques de Transaction

Chez Zalando, notre vision est d'être le point de départ de la mode. Nous visons à offrir une expérience d'achat fondée sur la confiance pour plus de 50 millions de clients dans 25 marchés européens et nos plus de 6 500 marques partenaires. Pour maintenir cette confiance, il est crucial pour nous de gérer les risques clients et achats découlant des activités frauduleuses sur notre plateforme de mode.

Avec 3,3 millions d'articles de shopping, conduisant à des centaines de milliers de commandes quotidiennes, nous tirons parti des big data et des techniques de machine learning avancées pour prédire et atténuer ces risques, garantissant des relations de confiance avec nos clients et partenaires.

À propos du poste

En tant que scientifique appliqué full-stack dans notre équipe de Gestion des Risques de Transaction, vous rejoindrez un groupe dynamique et diversifié d'ingénieurs et de scientifiques. Notre équipe analytique est responsable de plusieurs services prédictifs pour protéger les autres équipes du domaine de la caisse de Zalando. Ici, vous travaillerez sur des projets de pointe, élèverez les standards techniques, améliorerez l'excellence opérationnelle, et façonnerez nos flux de travail.

Responsabilités

• Développer, déployer et exploiter des solutions de machine learning pour détecter, prédire et gérer les risques clients et achats.
• Prototypage rapide et évaluer les modèles de machine learning pour évaluer leur applicabilité à la résolution de problèmes de recherche, clients et business.
• Relever les défis liés au développement d'algorithmes et les exécuter efficacement sur des plateformes à ressources limitées.
• Surveiller et optimiser l'infrastructure de machine learning sur AWS et Databricks/Spark.
• Effectuer des analyses exploratoires (ad hoc) basées sur de grandes données (non-/semi-)structurées pour découvrir de nouveaux comportements suspects sur notre plateforme.
• Adopter une approche rigoureuse pour résoudre, mener et documenter des projets de recherche.
• Collaborer étroitement avec les ingénieurs logiciels, les scientifiques appliqués, les analystes de données, les chefs de produit et les spécialistes de la fraude pour traiter les problèmes de fraude.
• Contribuer à notre communauté scientifique croissante et promouvoir le partage des connaissances dans un environnement de travail agile.

Exigences

• 3 à 5 ans d'expérience pratique en tant que scientifique appliqué, développant et mettant en production des modèles de machine/deep learning dans des environnements cloud (de préférence AWS).
• Maîtrise de Python et des frameworks de machine/deep learning associés tels que Pytorch, Tensorflow, Keras, etc.
• Expertise dans l'infrastructure et les outils de machine learning, y compris Databricks, Spark, Flink, AWS SageMaker, S3, EC2, Step Functions et Git.
• Expérience avec le stockage, l'ingestion et la transformation des données, y compris l'orchestration du workflow de machine learning.
• Passion pour le développement de code propre, maintenable et testable.
• Motivation pour le développement personnel continu dans les nouvelles technologies et services logiciels.
• Capacité à comprendre le contexte commercial dans lequel l'équipe opère et les problèmes clients abordés.
• Excellentes compétences en communication pour transmettre les décisions et résultats analytiques/ingénieriques à un public plus large, non technique.

Qualifications Préférées

• Expérience avec des données non-/faiblement étiquetées (modèles auto-supervisés, génération de labels synthétiques).
• Expérience dans la conception, le développement et l'exploitation de microservices hautement évolutifs sur des systèmes distribués.
• Connaissance du déploiement et de la surveillance automatisés via des pipelines CI/CD (Docker, Kubernetes, etc.).
• Expérience avec des niveaux élevés d'automatisation des tests (unitaires, composants, intégration).
• Familiarité avec les déploiements expérimentaux de machine