Responsabilidades:

• Asóciese con equipos de ciencia de datos e ingeniería de productos para crear modelos de aprendizaje automático de producción; Sus modelos decidirán a quién le prestamos dinero en tiempo real y cómo interactuamos con los clientes.
• Desarrollar el servicio central de toma de decisiones que respalda los modelos de aprendizaje automático en producción.
• Optimice el servicio de toma de decisiones con respecto a la precisión de los modelos subyacentes, la latencia de diferentes fuentes de datos de terceros y el costo financiero esperado de esas fuentes de datos.
• Desarrollar la comprensión de las nuevas fuentes de datos y cómo pueden mejorar los procesos.
• Diseñar, desarrollar e implementar infraestructura para la capacitación, prueba y servicio de modelos a escala.
• Trabajar en colaboración con los equipos de crédito, riesgo y análisis de Affirm para comprender la estrategia de modelado de riesgos y los impulsores comerciales subyacentes a esa estrategia.

Requisitos:

• Licenciatura con 2-3 años de experiencia en la industria, maestría con 1-2 años o doctorado.
• Profundo conocimiento y experiencia en ingeniería de datos, análisis de datos y modelado estadístico, en el desarrollo de servicios en tiempo real.
• Competencia en la redacción de software con calidad de producción siguiendo las mejores prácticas de ingeniería de software, preferiblemente experiencia en ingeniería industrial con proyectos de aprendizaje automático (por ejemplo, recomendación, clasificación, optimización).
• Base sólida en aprendizaje automático con experiencia en la implementación y optimización de modelos de aprendizaje automático.
• Experiencia práctica con Python, Spark, XGBoost, Airflow y AWS (EC2, EMR, etc.) es una ventaja.
• Pasión e impulso para mejorar la banca de consumo, mientras se desarrolla una comprensión más profunda del aprendizaje automático.

Beneficios:

• Carteras de gastos flexibles para tecnología y comidas.
• Políticas generosas de tiempo libre. 
• Programas de aprendizaje y desarrollo.
• Grupos comunitarios y de recursos para empleados.