Machine Learning
PKO BP Finat
Rola łączy data science, inżynierię oprogramowania i wdrożenia biznesowe w banku. Będziesz budować modele predykcyjne dla produktów finansowych (FX, leasing, faktoring), odpowiadając za cały cykl życia modelu – od przygotowania danych, przez trenowanie i walidację, aż po wdrożenie produkcyjne jako API lub batch. Pracujesz w hybrydowym zespole, który ma realny wpływ na sprzedaż.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: brak opisu procesu rekrutacyjnego, brak informacji o wielkości zespołu.
Rola łączy data science, inżynierię oprogramowania i wdrożenia biznesowe w banku. Będziesz budować modele predykcyjne dla produktów finansowych (FX, leasing, faktoring), odpowiadając za cały cykl życia modelu – od przygotowania danych, przez trenowanie i walidację, aż po wdrożenie produkcyjne jako API lub batch. Pracujesz w hybrydowym zespole, który ma realny wpływ na sprzedaż.
- ✓Rzeczywista praca end-to-end od danych po produkcję – duża autonomia i wpływ
- ✓Bezpośredni wpływ na sprzedaż produktów finansowych – widoczne rezultaty biznesowe
- ✓Opcjonalne benefity na preferencyjnych warunkach (Luxmed, MyBenefit)
- −Brak widełek wynagrodzenia – typowe dla banków, ale utrudnia ocenę rynkowości oferty
- !Wymagany SSIS – starsze narzędzie ETL, może oznaczać pracę z legacy systemami
- !Min. 3 lata doświadczenia – sztywny próg, może eliminować zdolne osoby z krótszym stażem
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Budowa i trenowanie modeli supervised ML (LightGBM, XGBoost) na danych finansowych
- •Przygotowanie i czyszczenie danych (data wrangling, feature engineering) w Python i SQL
- •Optymalizacja zapytań SQL na SQL Server dla dużych wolumenów danych
- •Tworzenie i utrzymanie pipeline'ów ETL (SSIS, Python)
- •Wdrażanie modeli do produkcji jako API lub przetwarzanie batchowe
- •Konfiguracja CI/CD i wersjonowanie modeli (MLOps, Docker)
- •Monitorowanie wydajności modeli w produkcji i retraining
- •Współpraca z biznesem w celu określenia wymagań i priorytetyzacji modeli
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Osoba z dokładnie 3 latami doświadczenia w ML/DS, silnymi umiejętnościami Python i SQL, która wdrożyła przynajmniej jeden model do produkcji, ale może mieć mniejsze doświadczenie w MLOps czy SSIS.
Osoby z mniej niż 3 latami doświadczenia w ML/DS (juniorzy) oraz osoby szukające czysto badawczej roli Data Science bez inżynierii i wdrożeń produkcyjnych.
- ?Jakie narzędzia MLOps (np. MLflow, Kubeflow) są używane w zespole?
- ?Czy istnieje dyżur on-call dla modeli produkcyjnych?
- ?Ile osób liczy zespół i jakie są role (DS, DE, ML Engineer)?
- ?Jak często trzeba kontaktować się z biznesem – codziennie, tygodniowo?
- ?Czy SSIS jest głównym narzędziem ETL, czy planowana jest migracja na nowsze rozwiązanie?
- ?Jaki jest proces rekrutacyjny – ile etapów, czy jest zadanie domowe lub live coding?
- ?Czy firma oferuje budżet na szkolenia lub konferencje ML?
- −Brak opisu procesu rekrutacyjnego
- −Brak informacji o wielkości zespołu
- −Brak informacji o narzędziach do monitoringu modeli i eksperymentów
- −Brak informacji o tym, czy praca jest na jednym projekcie czy rotacyjnie
Zespół łączy data science i inżynierię, kładąc nacisk na wdrożenia biznesowe. Prawdopodobnie bliska współpraca z działem sprzedaży i produktu.