格步
Data Scientist
Data Scientist
发布于 6 个月前普通员工/个人贡献者
Kadubesanahalli, Bangalore, India
中级经验
全职员工
仅现场办公
学历未注明
数据分析与科学
支付系统
机器学习
LLM
MLOps
SQL
生成式AI
AI 估算 · 60k–120k
职位要求机器学习与生成式AI等前沿技术，技能门槛高，市场竞争力强，且位于科技中心班加罗尔，薪资前景广阔。
职位详情
关于这个职位
这是一个位于班加罗尔的数据科学家职位，你将加入GrabFin的数据科学团队
你的核心工作是运用机器学习和生成式AI技术，为支付业务构建预测模型和智能代理，以优化交易流程、降低失败率并提升用户体验
你将负责从模型开发、部署到监控优化的全生命周期管理，并与工程、合规等多团队协作，将数据洞察转化为实际的产品解决方案
最低要求
年以上相关经验
核心机器学习*：精通 Python、Spark 和 SQL (Presto/Hive)，掌握基础机器学习概念（Bagging、Boosting、在线学习、推荐引擎）
生成式AI与代理框架*：具有代理框架（特别是 LangGraph、LangSmith 或 LangChain）和 LLM 编排的实践经验
MLOps与生产化*：具备使用 MLOps 工具（MLflow、Kubeflow、TFX、SageMaker）将机器学习解决方案生产化，并在云平台上部署可扩展组件的专业知识
工程卓越性*：遵循清晰的编码规范、模块化设计和版本控制（Git/GitHub）
能够在模型性能与业务权衡（延迟、成本、可扩展性）之间取得平衡
工作职责
预测建模*：使用机器学习构建预测模型，以解决分类、排序和在线学习问题
从内部数据资产中设计特征，以构建精细的交易和客户画像
生成式AI开发*：使用提示工程、代理编排和模型微调（例如，LoRA， PEFT）来设计和部署生成式AI解决方案
构建评估数据集，并为持续评估和监控定义防护栏
MLOps与自动化*：构建端到端的MLOps管道，以自动化模型训练、部署和监控
跟踪生产性能，并实施反馈循环以实现持续改进
所有权与协作*：从我们的需求出发，逆向设计AI解决方案
领导AI能力的交付，从概念到生产部署
优先资格
实时流处理*：具有使用 Flink SQL 和 Flink SDK 实时实施机器学习解决方案的经验是加分项
AI 洞察
优缺点分析
优点
- 技术前沿：有机会在真实的支付金融场景中应用机器学习和大语言模型（LLM），接触最前沿的AI技术和实践
- 业务影响力：工作直接关联Grab核心的支付业务，模型和解决方案能产生显著的商业价值，成果可见度高
- 团队与学习：在相对扁平的技术团队中工作，强调独立解决问题，同时公司鼓励关注并应用最新的AI研究
- 技术复杂度高：需要同时掌握传统机器学习、生成式AI和MLOps，并处理支付系统对实时性、准确性和合规性的高要求
- 跨团队协作：需要与工程、合规、运营等多个团队有效沟通协作，将技术方案落地，对沟通和项目管理能力有要求
- 适合拥有2年以上经验，对机器学习有扎实基础，并对探索生成式AI在金融科技领域的应用充满热情，喜欢解决复杂、高影响力技术问题的数据科学家
缺点 / 挑战
- 平台优势：Grab是东南亚领先的超级应用和上市公司，平台规模大，数据丰富，能提供复杂且有挑战性的问题场景
- 快速迭代压力：支付业务变化快，需要持续跟踪模型表现、快速迭代优化，并跟上AI技术的快速演进
角色解读
- 技术深度上，可以从传统机器学习专家，成长为精通生成式AI和智能代理系统的复合型AI人才
- 业务影响上，可以从解决具体技术问题，成长为深入理解支付金融业务、并能用AI驱动核心业务指标提升的关键角色
- 职业发展上，作为个人贡献者（IC），可以在数据科学领域成为高级专家或技术负责人，也可能向技术管理或产品方向拓展
- 你将专注于支付领域，构建预测模型来解决交易失败、支付方式推荐、智能重试等实际问题，目标是提升交易成功率和用户体验
- 你将运用生成式AI技术，通过提示工程、代理编排和模型微调来开发新一代的支付体验解决方案
- 你需要负责机器学习模型从开发、部署到上线后监控优化的完整生命周期，并建立自动化MLOps流程
- 你需要与工程、合规和运营团队紧密合作，将数据分析和模型结果转化为可落地的产品功能和业务决策
- 扎实的机器学习基础，包括Python、Spark、SQL编程能力，以及对集成学习、在线学习等核心概念的理解
- 生成式AI的实践经验，特别是使用LangChain等代理框架进行LLM应用开发和编排的能力
- 将机器学习模型产品化的能力，熟悉MLflow、Kubeflow等MLOps工具链和云平台部署
- 良好的工程实践，包括清晰的代码、模块化设计和版本控制，以及平衡技术方案与业务约束（如成本、延迟）的思维
申请策略
- 深入了解Grab作为超级应用的业务生态，特别是GrabFin在支付、借贷方面的业务，思考AI可能的应用点
- 在申请和面试中，展现出你不仅关注技术，也关注技术如何解决业务问题、创造商业价值的思维
- 重点展示与支付、金融科技或电商相关的数据科学项目经验，特别是那些涉及预测模型、推荐系统或风险控制的项目
- 详细描述你使用Python、Spark、SQL进行大规模数据处理、特征工程和模型构建的具体案例和成果
- 突出任何与生成式AI、LLM应用或智能代理相关的实践经验，即使是在学习或实验项目中的尝试
- 展示你将机器学习模型部署上线的经验，包括使用的MLOps工具、遇到的挑战以及如何确保模型在生产环境的稳定运行
- 如果对支付业务不熟悉，可以提前了解在线支付的基本流程、常见失败原因及风控知识
- 加强对LangChain、LangGraph等AI代理框架的学习，可以通过官方教程或构建一个小型演示项目来实践
面试指南
- 对于项目经验类问题，采用STAR法则（情境、任务、行动、结果）来结构化回答，重点突出你的技术动作、解决问题的思路以及可量化的成果
- 对于技术方案或架构设计问题，先澄清需求和约束，然后解释你的设计选择、考虑的替代方案以及背后的权衡逻辑
- 对于业务场景分析问题，展现出从数据出发、提出假设、设计验证实验到给出行动建议的系统性思维框架
- 请描述一个你构建的、对业务有显著影响的预测模型项目
- 你如何评估模型效果？遇到了什么挑战？
- 你有使用LangChain或其他AI代理框架的经验吗？请分享一个你用它构建解决方案的例子
- 请解释一下你将一个机器学习模型从开发部署到生产环境的完整流程
- 你如何监控和维护它？
职位点评
Watch Jobs