شرکت اعتبارسنجی ایران از دانش آموختگان کارشناسی ارشد که 4 سال تجربه در علوم داده و یادگیری ماشین کسب کرده اند، دعوت به همکاری نموده است.
انتظار می رود در کنار تیم های فنی و کسب و کار، راه حل های هوشمند و تاثیرگذار طراحی و پیاده سازی کنید.
طراحی، توسعه و استقرار مدل های پیشرفته NLP و Generative AI برای چت بات های تعاملی و هوشمند (تجربه با Hugging Face, PyTorch, TensorFlow/Keras الزامی است)
تسلط بر ابزارهای استاندارد علوم داده: Pandas, NumPy, Scikit-learn, XGBoost/LightGBM
توانایی انجام تحلیل اکتشافی داده ها (EDA) و استخراج ویژگی های معنادار از داده های حجیم مالی با استفاده از PySpark یا ابزارهای مشابه
درک عمیق از آمار، یادگیری ماشین و کاربرد مدل های پیش بینی، طبقه بندی و خوشه بندی در محیط های واقعی
آشنایی با MLOPS و تجربه در استقرار، رصد و بهینه سازی مدل ها در production
سابقه کار در حوزه های ریسک اعتباری، بانکداری یا بیمه (امتیاز)
آشنایی با مفاهیم Explainable / Interpretable AI (امتیاز)
حقوق و مزایای رقابتی متناسب با تخصص، تجربه و ارزش ایجادی
بیمه تکمیلی و طرح درمان
محیط کاری پویا و یادگیری محور
اگر به این موقعیت شغلی علاقه دارید و می توانید خلاقیت، کنجکاوی و تجربه خود را در این سازمان بکار بگیرید، برای ارسال رزومه به نشانی [email protected] اقدام نمایید.
اعتبارسنجی در صنعت مالی به فرایند ارزیابی و تایید اطلاعات و داده های مالی اشاره دارد که به منظور کاهش ریسک ها و اطمینان از صحت و دقت اطلاعات استفاده می شود. این فرایند به ویژه در زمینه های مختلفی مانند اعطای وام، سرمایه گذاری، مدیریت ریسک و انطباق با مقررات اهمیت زیادی دارد.
در دنیای مالی، اعتبارسنجی به دو جنبه اصلی تقسیم می شود: اعتبارسنجی مشتری و اعتبارسنجی داده ها. اعتبارسنجی مشتری به ارزیابی توانایی و تمایل یک فرد یا شرکت برای بازپرداخت بدهی ها و تعهدات مالی اشاره دارد. این فرایند شامل بررسی سابقه اعتباری، درآمد، دارایی ها و سایر عوامل اقتصادی است که می تواند بر توانایی بازپرداخت تاثیر بگذارد. موسسات مالی برای این کار از سیستم های اعتبارسنجی استفاده می کنند که معمولا شامل گزارش های اعتباری از نهادهای معتبر مانند موسسات گزارش دهی اعتباری است.
از سوی دیگر، اعتبارسنجی داده ها به بررسی صحت و دقت اطلاعات مالی که در تحلیل های مختلف استفاده می شود، مربوط می شود. این اطلاعات می توانند شامل صورت های مالی، داده های بازار، نرخ های بهره و سایر شاخص های اقتصادی باشند. اعتبارسنجی داده ها به مؤسسات مالی کمک می کند تا تصمیمات بهتری در زمینه سرمایه گذاری، مدیریت ریسک و برنامه ریزی مالی اتخاذ کنند.
در عصر دیجیتال، با افزایش استفاده از فناوری های نوین مانند هوش مصنوعی و یادگیری ماشین، اعتبارسنجی در صنعت مالی دستخوش تغییرات چشمگیری شده است. این فناوری ها امکان تجزیه و تحلیل حجم بالای داده ها را فراهم کرده و به موسسات مالی کمک می کنند تا الگوهای پنهان را شناسایی کرده و ریسک ها را بهتر مدیریت کنند. همچنین، استفاده از بلاکچین به عنوان یک فناوری نوین در اعتبارسنجی اطلاعات مالی می تواند شفافیت و امنیت بیشتری را به فرایندهای مالی اضافه کند.
با این حال، چالش هایی نیز در زمینه اعتبارسنجی وجود دارد. یکی از این چالش ها حفظ حریم خصوصی اطلاعات مشتریان است. موسسات مالی باید تعادل مناسبی بین جمع آوری اطلاعات لازم برای اعتبارسنجی و حفظ حریم خصوصی افراد برقرار کنند. همچنین، وجود خطاهای انسانی یا نقص های سیستماتیک در جمع آوری و تحلیل داده ها می تواند به نتایج نادرست منجر شود.
در نهایت، اعتبارسنجی در صنعت مالی نه تنها به کاهش ریسک ها کمک می کند، بلکه اعتماد عمومی را نیز افزایش می دهد. مشتریان و سرمایه گذاران با اطمینان بیشتری به موسسات مالی روی می آورند و این امر می تواند به رشد اقتصادی و توسعه پایدار کمک کند. بنابراین، اعتبارسنجی یک عنصر کلیدی در ساختار صنعت مالی محسوب می شود که نیازمند توجه مستمر و بهبود مداوم است.
