MACHINE LEARNING ENGINEER

Company Description

Experian es una empresa global de datos y tecnología que impulsa oportunidades para personas y negocios en todo el mundo. Ayudamos a redefinir prácticas de préstamos, descubrir y prevenir el fraude, simplificar la atención médica, crear soluciones de marketing y obtener perspectivas más profundas del mercado automotriz, todo utilizando nuestra combinación única de datos, análisis y software. También asistimos a millones de personas a alcanzar sus metas financieras y ayudarles a ahorrar tiempo y dinero.

Operamos en una variedad de mercados, desde servicios financieros hasta atención médica, automotriz, agroindustria, seguros y muchos otros segmentos industriales.

Invertimos en personas y nuevas tecnologías avanzadas para desbloquear el poder de los datos. Como empresa del índice FTSE 100, cotizada en la Bolsa de Valores de Londres (EXPN), contamos con un equipo de 22,500 personas en 32 países. Nuestra sede corporativa está en Dublín, Irlanda. Obtenga más información en experianplc.com.

Description

Propósito del cargo:

Entrar a ser parte del equipo que acompañará la construcción y mantenimiento de productos basados en datos alternativos, siendo uno de los roles que apoye la aplicación de un motor de machine learning en Colombia. Esta labor requiere personas con conocimientos analíticos para el diseño de modelos, su monitoreo, ajustes y conocimientos de comportamiento de datos financiero.

Principales funciones:

• Construir y mantener modelos (propensión, pérdida, etc.) de aprendizaje automático y estadísticos utilizando fuentes alternas (data alternativa), datatransaccional y datos de Buró.
• Evaluar periódicamente el desempeño de los modelos entrenados
• Garantizar que los datos de entrenamiento utilizados cumplan con los estándares de Experian, levantar alertas y proponer posibles pasos de prevención y mitigación en caso de que esos estándares no se cumplan.
• Diagnóstico y resolución (propuesta e implementación) de problemas de baja precisión y categorización errónea, e implementación de medidas de mejora continua relacionadas.
• Documentar el proceso de modelado, prueba, codificación y la documentación necesaria para el soporte del modelo.
• Comunicación de incidentes y mejoras relacionados con equipos de desarrollo, infraestructura y anotación.
• Exploración de fuentes alternativas para la construcción de nuevas soluciones y validación de hipótesis.

• Conocimiento de herramientas analíticas y lenguajes de programación Python, R, SQL (DQL, CTEs, agregaciones y funciones de ventana)
• Conocimiento de técnicas de visualización de datos y herramientas de BI como Power BI, preferiblemente Amazon Quicksight.
• Conocimiento básico de conceptos y técnicas de procesamiento de lenguaje natural
• Conocimiento de procesos del ciclo de riesgo en el sector financiero (preferiblemente bancario)
• Habilidades de informática especialmente en Word, PowerPoint y Excel

• Curiosidad, iniciativa y pensamiento crítico
• Flexible y adaptable para aprender y comprender nuevas tecnologías.
• Mínimo 4 años de conocimiento práctico en Python, preferiblemente tanto la sintaxis propia de Python como también algunos de sus principales paquetes analíticos (como Pandas, Numpy, MatplotLib)
• Facilidad de expresión oral y escrita dirigida a grupos no técnicos

• Profesional egresado de Ingeniería Industrial, Economía, Estadística, Matemáticas, Ingeniería de Sistemas, Administración de Empresas o afines.
• Preferible Especialización en Ciencia de Datos, Inteligencia de Negocios, Riesgo de Crédito o Estadística.

• Conocimiento de herramientas analíticas y lenguajes de programación Python, R, SQL (DQL, CTEs, agregaciones y funciones de ventana)
• Conocimiento de técnicas de visualización de datos y herramientas de BI como Power BI, preferiblemente Amazon Quicksight.
• Profesional egresado de Ingeniería Industrial, Economía, Estadística, Matemáticas, Ingeniería de Sistemas, Administración de Empresas o afines.
• Comprensión de cómo y cuándo aplicar enfoques estadísticos y de aprendizaje automático de clasificación, regresión y aprendizaje no supervisado, incluyendo sus supuestos y limitaciones.
• Fuerte conocimiento de probabilidad, inferencia estadística, algoritmos de optimización, álgebra lineal y cálculo.
• Buen conocimiento de los principios de programación orientada a objetos, estructuras de datos, Linux y herramientas de control de versiones basadas en Git.
• Revisión a nivel de detalle, bueno para detectar problemas y proponer soluciones rápidamente.
• Conocimientos intermedios de estadística y aprendizaje automático, y de sus métricas de desempeño, como precisión, recuperación, etc.
• Comprensión de conceptos de ciencia de datos, como sobreajuste, validación cruzada, división de datos de entrenamiento versus prueba, fuga de datos, etc.
• Experiencia práctica con tecnologías de bases de datos (preferiblemente en PostgreSQL y MongoDB o ElasticSearch, etc.)
• Experiencia en flujos de trabajo con control de versiones y CI/CD.
• Experiencia práctica en desarrollo de proyectos de ciencia de datos bajo enfoques incrementales e iterativos.