MLE/Applied Scientist｜4年 ML for Risk/Fraud 经验｜H1B Transfer, I-140 Approved

【基本情况】
•       4年 ML for Risk Management 经验，一直在美国金融/lending 行业做 fraud detection 和 credit risk 建模。从特征工程、建模、上线部署到监控和 retrain，整条链路都由我负责。
•       教育背景：Georgia Tech CS 硕士（AI 方向，在读，GPA 4.0），UCLA 应用统计硕士（GPA 3.97），UCLA 应用数学本科。
•       身份：H1B 有效期到 2029 年，只需 transfer，不用抽签。I-140 已 approved，PD 已锁定，换雇主后 PD 可以沿用，H1B 也可以延期超过 6 年上限。
【目标岗位】
•       首选 MLE / Applied Scientist，Risk Management 方向，包括 fraud、credit risk、underwriting、AML、trust & safety 等。
•       其他和我背景 fit 的 MLE 岗位也非常欢迎，比如 NLP / 文本分类、classification 类建模、MLOps。
•       Location Preference：remote > 美东 > US
【主要经历】
•       Fraud detection：用结构化和非结构化数据做多模态特征（TF-IDF 等）。先搭了 XGBoost baseline，再升级为 fine-tuned BERT 加自定义 MLP head，precision 约 98%、recall 约 95%，各项指标全面超过 baseline，已部署到生产环境，接入贷款决策流程。
•       生产闭环：搭建线上模型监控 dashboard，以及 LLM 加人工的 labeling pipeline，持续为模型 retrain 提供高质量标签。
•       Credit risk：开发 XGBoost 信用风险评分模型，各项指标都超过原有模型。基于新分数设计了 risk-based tiering 策略，违约率降低约 18%，审批量基本不变。
•       审核系统：用 Django 开发 fraud review 平台，加上按风险等级自动排序的 case queue，取代原来的 spreadsheet 流程。上线一个季度后 fraud catch rate 提升约 25%。
【技术栈】
Python, SQL, PyTorch, Transformers/BERT, XGBoost, scikit-learn, Pandas, Django, A/B testing
有内推机会或者团队正在招人的朋友，欢迎邮件联系，简历随时可以发：
📧

您好！
本帖隐藏的内容需要积分高于 10 才可浏览
您当前积分为 0。
使用VIP即刻解锁阅读权限或查看其他获取积分的方式

游客，您好！
本帖隐藏的内容需要积分高于 10 才可浏览
您当前积分为 0。
VIP即刻解锁阅读权限 或 查看其他获取积分的方式
Unlock interview details and practice with AI
Curated Interview Questions from Top Companies

也欢迎交流 risk ML 方向的面经，先谢谢大家！