Manager Data Science · Warszawa
Jestem managerem zespołu Data Science w obszarze ryzyka kredytowego w Allegro Pay, gdzie prowadzę prace modelarskie dla jednej z największych konsumenckich platform finansowych w Europie Środkowej. Skupiam się głównie na scoringu aplikacyjnym — modelach PD dla klienta indywidualnego — oraz, coraz częściej, na tym, jak w regulowanym otoczeniu wygląda godne zaufania uczenie maszynowe: bezstronność, kalibracja, wyjaśnialność.
W ryzyku kredytowym i data science pracuję od prawie dekady — m.in. w Allegro Pay, Hexaware (dla AXA), PKO Banku Polskim oraz ING Banku Śląskim. Wcześniej byłem inżynierem robotyki w Samsungu i konstruktorem bezzałogowych statków powietrznych w Aviation Technik. Robotyka była moim punktem startowym — nadal kształtuje sposób, w jaki myślę o uczeniu maszynowym: jako o systemie, który da się opisać, debugować i obciążyć.
Poza pracą uczę się czeskiego, kibicuję Formule 1 i wciąż majsterkuję przy robotach.
Praca pod opieką dr hab. Anety Ptak‑Chmielewskiej, prof. SGH. Rozprawa rozwija zintegrowaną metodykę łączącą algorytmiczną bezstronność, kwantyfikację niepewności i interpretowalność, osnutą wokół koncepcji dyskryminującej niepewności — idei, że model może dyskryminować nie tylko poprzez swoje decyzje, ale także poprzez to, jak bardzo jest ich pewien.
Recenzowane artykuły i working papers powstałe w ramach studiów doktoranckich pojawią się tutaj po publikacji.
Biblioteka, która przyporządkowuje surowe cechy modelu tabelarycznego do koncepcji biznesowych i wizualizuje, ile z każdej koncepcji model rzeczywiście wykorzystuje. Zawiera ablację na poziomie koncepcji (permutacja, SHAP‑marginal, retrening), diagnostykę braków danych oraz nakładki znaczników regulacyjnych.
SHAP‑Weighted Impact Feature Testing — narzędzie do monitorowania systemów ML. Waży dryf cech wpływem wyznaczonym przez SHAP, dzięki czemu otrzymywane alerty dotyczą tych cech, które faktycznie zmieniają wyjście modelu.
Projekt mentorowany przez firmę w ramach kursu Warsztaty Badawcze na Wydziale Matematyki i Nauk Informacyjnych PW. Każdego roku trzy firmy dostarczają po jednym projekcie i prowadzą zespół studencki przez jego realizację; nasz dotyczy zastosowania predykcji konformalnej w scoringu kredytowym. Współprzygotowałem zadanie i prowadzę zespół. Materiały i repozytorium startowe pojawią się tutaj po zakończeniu edycji.
Pozostałe materiały dydaktyczne — wykłady, prelekcje, notatki z warsztatów — będą się tu pojawiać w miarę publikacji.