Behavioural AI Scientist

Cautam un cercetator ML care sa detecteze fraudele comportamentale invizibile regulilor clasice — actori care se inregistreaza coordonat, boti care mimeaza oameni, aceleasi retele care revin pe campanii diferite sub identitati noi. Datele sunt reale (sute de mii de inscrieri pe campanie), iar consecintele sunt reale in ambele directii: cand modelul prinde, protejezi bugetul unui client; cand se inseala, un consumator legitim e descalificat pe nedrept.

Daca vrei un scope predictibil, cu features definite de altcineva si un dashboard pe care il completezi, acest rol nu e pentru tine. Daca iti place sa formulezi ipoteze pornind de la comportamente pe care nimeni nu le-a formalizat inca, continua.

What's in it for you:

• Vei lucra pe date reale de campanie (8-12 campanii pe an cu sute de mii de inscrieri) — nu pe benchmark-uri academice sterile.
• Modelele tale intra in productie imediat ce sunt gata — direct in flow-ul campaniilor live. Nu peste 2 ani intr-un produs care poate ajunge sau nu la user. Fiecare campanie e o iteratie completa: build, deploy, validate, learn.
• Vei fi 1 din 4 in echipa de cercetare (Director + 3 cercetatori). Nu 1 din 5.000 la un lab corporate. Impactul individual e disproportionat de mare.
• Un proiect cu finantare clara si orizont bine definit — nu un "poate cercetam ceva".
• Colegi seniori pe partea de MLOps, Data Engineering si Explicabilitate, dedicati acestui proiect, nu impartiti pe alte prioritati.
• Libertate metodologica: alegi tu abordarea, dar o argumentezi cu date.
• Un mediu in care "modelul meu nu functioneaza inca" e o observatie utila, nu o slabiciune.
• Abonament de sanatate.

What we are looking for:

• Sa fii curios despre "de ce s-a intamplat", nu doar "ce s-a intamplat" — fara asta, detectia de anomalii comportamentale nu are cum sa functioneze.
• Sa poti transforma un tipar de frauda observat operational (Ex: "conturile noi se comporta ciudat mereu intre 3 si 5 dimineata") intr-o ipoteza testabila si intr-un feature de model.
• Sa fii onest/onesta cu tine si cu echipa: cand modelul overfituieste, cand semnalul e slab, cand nu ai suficiente date. Onestitatea metodologica bate rezultatele frumoase pe termen scurt.
• Sa iti pese de calitatea si impactul cercetarii tale mai mult decat de cantitatea publicatiilor. Aici, Application-Driven ML — research aplicat pe date reale, cu construirea metodologiei — e recunoscut si valorizat. Un dataset industrial dus la scara conteaza cat 5 publicatii pe iterari pe benchmark-uri publice.
• Sa iti placa sa lucrezi cu serii temporale si date evenimentiale, nu doar cu snapshot-uri statice.
• Sa iti spui parerea argumentat, indiferent de audienta — inclusiv atunci cand contrazici o ipoteza initiala a echipei.
• Sa poti explica de ce un cont e semnalat suspect intr-un limbaj pe care il intelege un operator non-tehnic (cineva care nu stie ce e un z-score).
• Sa iti placa sa colaborezi — vei lucra strans cu Cercetatorul ML pe Graph & Linkage si cu Device & Network Intelligence Engineer pe semnale de fingerprint si retea.
• Sa validezi lucrurile pe date reale, cu tot zgomotul lor — nu doar pe subseturi curate.

What you need

• Studii superioare tehnice: informatica, matematica, statistica, inginerie sau domeniu adiacent.
• Experienta demonstrabila in machine learning aplicat pe serii temporale, detectare de anomalii sau analiza comportamentala.
• Python si SQL la nivel practic — vei extrage si procesa singur/singura volume mari de date evenimentiale.
• Sa poti argumenta metodologic alegerile pe care le faci (de ce acest model, de ce aceste features, de ce acest threshold).
• Engleza scris/citit la nivel confortabil pentru documentatie tehnica.
• Daca ai experienta anterioara in fraud detection, trust & safety, digital analytics sau securitate cibernetica, te va ajuta mult.
• Daca ai lucrat cu detectare de boti si trafic automatizat, e un plus concret.
• Daca ai certificari AI/ML recunoscute (Google/TensorFlow, Microsoft, AWS, Databricks) sau publicatii relevante, cu atat mai bine.
• Familiaritatea cu principii de explicabilitate (XAI) e un avantaj real — modelele tale vor fi folosite de oameni care nu sunt data scientists.