Senior Machine Learning Engineer

Step

Step construit des produits bancaires et de crédit utilisés par des millions de personnes pour gérer et faire grandir leur argent. La société fait partie de Beast Industries, la société derrière MrBeast.

Le poste

Step recherche un Data Scientist expérimenté pour construire et déployer des modèles de machine learning consacrés au risque et à la fraude (Risk & Fraud).

Ce que vous ferez :

• concevoir, développer et déployer des modèles ML qui renforcent les systèmes de détection Risk & Fraud et protègent Step et ses clients de la fraude et des pertes financières ;
• porter la direction technique du périmètre Risk/Fraud et contribuer à la stratégie de l'équipe ;
• manipuler les données en SQL : extraction, mise en forme et préparation pour le développement des modèles ;
• écrire du code de niveau production pour des solutions ML robustes ;
• concevoir les plans d'expérience : statistiques, tailles d'échantillon, évaluation des performances des modèles ;
• travailler avec les équipes opérationnelles pour répondre à des événements qui évoluent vite.

Profil recherché :

• 5 ans et plus d'expérience en Data Science ou ML Engineering ;
• aisance en SQL et en Python ;
• capacité à communiquer clairement avec des publics techniques et non techniques ;
• solides compétences d'analyse de données ;
• expérience du développement et du déploiement de modèles ML ;
• expérience des systèmes financiers (crédit, risque/fraude) appréciée mais non requise.

Conditions

• poste à distance aux États-Unis ou au bureau de Palo Alto, Californie ;
• rémunération compétitive et options sur actions ;
• couverture médicale, dentaire et vision, assurance vie prise en charge par la société ;
• plan 401k avec abondement Safe Harbor ;
• politique de congés flexible et jours fériés payés ;
• 12 semaines de congé parental payé avec retour flexible ;
• package technologique fourni par la société.

Ce qui te ferait sortir du lot (côté sécurité)

Zeroday : sur un poste comme celui-ci, ce qui fait la différence côté sécurité :

• traiter les données de fraude comme des données sensibles : minimisation, anonymisation quand c'est possible, jamais d'attributs clients dans les journaux ;
• savoir que la détection de fraude se joue contre un adversaire qui s'adapte : la surveillance de dérive des scores fait partie du déploiement, pas de l'après-coup ;
• restreindre au strict nécessaire les accès SQL aux tables clients, et tracer les requêtes ;
• protéger le pipeline d'entraînement comme du code de production : dépendances épinglées, modèles versionnés, exécutions reproductibles.