Doktorand Graph Machine Learning & Financial Crime Analytics (w|m|d) · findic

Deine Aufgaben:

• Du entwickelst Machine-Learning-Verfahren zur Erkennung verdächtiger Transaktionsmuster sowie komplexer Anomalien in Transaktions- und Beziehungsnetzwerken und untersuchst deren Nutzen für die Erkennung von Finanzkriminalität.
• Du untersuchst moderne Ansätze wie Graph Neural Networks, selbstüberwachtes Lernen und kontrastives Pre-Training, insbesondere für Szenarien mit wenigen gelabelten Daten.
• Du entwickelst Methoden für eine zuverlässige Graphkonstruktion und Entity Resolution und analysierst, wie unvollständige Daten und fehlerhafte Beziehungen die Modellqualität beeinflussen.
• Du evaluierst neue Verfahren systematisch hinsichtlich Erkennungsleistung, Robustheit sowie Erklärbarkeit und überführst geeignete Ansätze in innovative AI-Lösungen für Banken und Versicherungen.
• Du verfolgst aktuelle Forschung im Bereich Graph Intelligence und bringst wissenschaftliche Erkenntnisse in die Weiterentwicklung unserer Data-&-AI-Lösungen ein.

Deine Skills:

• Du hast einen sehr guten Masterabschluss in Informatik, Mathematik, Statistik, Physik oder einem verwandten quantitativen Fach und arbeitest aktuell an deiner Promotion oder beginnst das Promotionsstudium in Kürze.
• Du hast fundierte Kenntnisse in Python und PyTorch sowie Erfahrung mit sauberem, reproduzierbarem Code, Git und systematischer Modellevaluation.
• Du hast praktisch mit PyTorch Geometric oder DGL gearbeitet und mindestens ein GNN-Modell selbst trainiert, beispielweise GCN, GAT oder GraphSAGE, idealerweise auf realitätsnahen Daten.
• Du verstehst selbstüberwachtes Lernen konzeptionell und praktisch und kennst Ansätze wie rekonstruktionsbasierte Verfahren, kontrastive Lernziele oder Masked-Graph-Modelle.
• Du kennst zentrale Herausforderungen der Graphkonstruktion, darunter Entity Resolution, Record Linkage, kNN-basierter Graphaufbau sowie die Auswirkungen fehlerhafter, fehlender oder zeitlich inkonsistenter Kanten.
• Du verfügst über sehr gute Deutschkenntnisse (mindestens C1-Niveau, verhandlungssicher) sowie gute Englischkenntnisse (mindestens B2-Niveau, fließend) in Wort und Schrift. #LI-LE1

Diese Skills wären ein weiteres Plus, sind aber kein Muss:

• Erfahrung mit Neo4j, Knowledge Graphs, Property Graphs oder Entity Resolution.
• Kenntnisse in graphbasierter Anomalieerkennung, etwa mit DOMINANT, AnomalyDAE oder CARE-GNN, sowie Erfahrung mit kontrastivem Lernen.
• Erste Erfahrung mit Fraud Detection, Anti-Money Laundering (AML) oder der Analyse komplexer Transaktionsnetzwerke.
• Erfahrung mit Docker, Modellversionierung, Monitoring und dem produktiven Deployment von Machine-Learning-Modellen.