Auf einen Blick
Entwickle hochperformante Machine Learning Modelle für Fraud Detection, Behavioral Forecasting und Customer Engagement bei IDT. Deploye Models in Produktionsumgebung und leite Model Lifecycle.
💰 $110.000–180.000/Jahr
📊 Senior
🕒 Contract
🌍 Remote
🗺️ EMEA
- 5+ Jahre Data Science mit originalem ML Portfolio
- Tiefes Supervised/Unsupervised Learning Verständnis
- Python (Pandas, Numpy, PyTorch/TensorFlow)
Python
Machine Learning
SQL
PyTorch
TensorFlow
MLOps
Fraud Detection
✅ Geeignet für
- Senior Data Scientist mit Fraud Detection/Behavioral Forecasting
- ML Engineer mit PyTorch/TensorFlow Expertise
- Kandidaten mit MLOps und Model Deployment Erfahrung
🚫 Weniger geeignet
- Anfänger ohne 5+ Jahre Data Science Erfahrung
- Theoretiker ohne Produktion ML Deployment Experience
💡 Gut zu wissen
- B2B oder Hybrid-Vertrag (Belarus-Moldova)
- Fokus auf Fraud Detection und Customer Engagement Models
- A/B Testing und Model Validation sind zentral
- Hardware wird bereitgestellt
Über das Unternehmen
IDT Corporation ist ein globales Kommunikationsunternehmen mit über 1800 Mitarbeitern in 20 Ländern. Das Unternehmen ist an der NYSE notiert und erzielt Umsätze über 1,5 Milliarden USD. IDT hat eine neugegründete AI Lab entrusted mit dem Wachstum von AI/ML-Fähigkeiten.
Deine Aufgaben
- Gestalte, entwickle und verwalte hochperformante, reproduzierbare Machine Learning Systeme für Geschäftsentscheidungen
- Baue Advanced ML Modelle für Fraud Detection, Customer Engagement und Process Performance
- Entwickle und implementiere überwachte und unüberwachte Modelle from scratch
- Führe Behavioral Forecasting durch und baue Modelle zur Prognose von Fraud-Akteuren
- Gestalte generative Modelle basierend auf Profil- und Transaktionsdaten
- Deploye Modelle in Produktionsumgebungen und verwalte deren Lebenszyklus
- Leite statistische Planung von A/B Tests zur Validierung von Model Performance
Deine Voraussetzungen
- 5+ Jahre professionelle Data Science Erfahrung mit starkem Portfolio von Original ML Modellen
- Tiefes theoretisches und praktisches Verständnis von überwachtem/unüberwachtem Learning
- Expertise in Python (Pandas, Numpy, PyTorch/TensorFlow, Scikit-learn)
- Proficiency in SQL zum Querying großer Datenbanken
- MLOps Tool Erfahrung (MLflow, ClearML) für Model Development und Inference
- Bachelor in quantitativem Feld (Computer Science, Statistics, Mathematics)
