Observé chez
ML Model Validator Fraud Detection
Finance
Informatique
PythonSQLPySparkSparkscikit-learnLightGBMAWS SageMakerS3AthenaLambdaDockerJenkins
Python
Spark
DockerRôle
Validateur indépendant de modèles ML de détection de fraude responsable de l'évaluation end to end de la solidité conceptuelle de l'intégrité des données de l'ingénierie des features du développement et du déploiement des modèles ainsi que des cadres de monitoring en production.
Technologies
PythonSQLPySparkSparkscikit-learnLightGBMAWS SageMakerS3AthenaLambdaDockerJenkins
Contextes
PaiementsServices financiersFintech
Compétences
Validation de modèles MLDétection de fraudeModélisation transactionnelleIngénierie des featuresAnomaly detectionGraph networksBehavioral biometricsGenAI systemsModel governanceExplainabilityFairness assessmentPrivacy risk evaluationDrift detectionModel monitoringCI/CD pipelinesCloud deploymentAgentic AI workflowsRegulatory compliance
Challenges détectés
5 enjeux- Optimisation
Valider la robustesse et les limitations des modèles ML de fraude en production
- Conformité
Assurer la conformité réglementaire et la gouvernance des modèles de risque
- Conformité
Évaluer et atténuer les biais, les risques de fairness et de privacy dans les modèles
- Transformation
Valider les nouvelles technologies appliquées à la détection de fraude (Graph Networks, Behavioral Biometrics, GenAI)
- Optimisation
Automatiser les workflows de validation via des outils agentic AI