Flinks est une plateforme de finance intégrée qui réunit la connectivité, l'intelligence financière et les paiements, offrant aux entreprises l'infrastructure nécessaire pour concevoir et déployer des expériences financières fluides à grande échelle. Chef de file de la finance ouverte (Open Finance) au Canada, nous avons connu une croissance soutenue depuis 2016 pour devenir l'une des plateformes les plus fiables en Amérique du Nord en matière d'accès aux données financières, d'enrichissement des données et de mouvement de fonds. Nous collaborons avec des entreprises innovantes dans de nombreux secteurs, notamment le crédit, les technologies financières (fintech), les services bancaires, l'assurance et la gestion de patrimoine.

Les entreprises s'appuient sur Flinks pour simplifier l'intégration de leurs utilisateurs, vérifier les revenus, évaluer le risque de crédit et offrir des expériences de paiement plus rapides. Notre mission est d'accélérer l'innovation financière et d'aider les entreprises à créer des expériences financières simples, connectées et centrées sur leurs clients. C'est là que vous entrez en jeu.

Flinks is the embedded finance platform that brings together connectivity, intelligence, and payments — giving businesses the infrastructure they need to build and deliver seamless financial experiences at scale. As a leader in Open Finance in Canada, we've grown since 2016 into one of North America's most trusted platforms for financial data access, enrichment, and money movement. Companies rely on Flinks to streamline onboarding, verify income, assess credit risk, and power faster payment experiences.

We're on a mission to drive financial innovation and help businesses build financial experiences that feel effortless, connected, and customer-first. We're hiring a Senior Data Scientist to own machine-learning models end to end - from framing the problem and designing the model through the training pipeline, deployment to a live endpoint and the model-quality monitoring that keeps it accurate in production. This is a hands-on, engineering-heavy data-science role{{:}} you build and ship your own models.

Where this role sits{{:}} you own the models and their quality.

Our Data

Engineering function owns the shared data platform and serving infrastructure you build on - the warehouse, pipelines, governance, CI/CD and the operational reliability of the serving endpoints - so you stay focused on the science and the model lifecycle, not on running the platform. We're not building ML for ML's sake {{:}} we judge models by the business outcomes they move - risk reduction, enrichment accuracy, customer adoption, operational efficiency, revenue and connecting your model improvements to those outcomes is part of the role. Own ML models end to end - frame the problem, write the design/RFC, build and train the model, ship it to a served endpoint and monitor its quality in production Build your model's training pipeline and package it for serving, deploying onto the shared platform Data Engineering builds and operates.

Own model quality, not the platform - you watch drift and performance and decide when to retrain Partner across the org - your model outputs feed the attributes/enrichment layer, payments risk, dashboards and client integrations, you'll collaborate with Data Engineering, backend, product and QA on contracts, deployment and rollout Move fast with AI-assisted development -we use it to accelerate implementation and experimentation, the highest-leverage contribution in this role comes from strong problem framing, system design,



evaluation rigor and clear technical specifications A few of the live ML systems this role owns end to end{{:}} Transaction categorization - a hierarchical, multi-task BERT classifier running as segment based models, trained on labelled data with synthetic top-ups for rare classes Reversal / "final-category" detection - a hybrid ML + analytical-rule model classifying reversal types and linking each back to its original debit, promoted via champion-challenger Payments risk and balance forecasting - quantile time-series forecasting feeding a risk/offer decision layer The enrichment suite - income / net-income, frequency detection, plus employment-loss, life-events and pay-frequency models Model-quality and analytics tooling - the data-science team's own model-performance, PSI / drift and category-distribution monitoring for the models it owns Python and SQL BigQuery and modern data tooling PyTorch, HuggingFace and classical ML frameworks FastAPI and containerized deployment Azure DevOps Python is the exception{{:}} it's a non-negotiable (see Key Requirements). High ownership, low bureaucracy - you own models end to end and watch them drive real financial decisions for banks and fintechs A modern, cloud-native ML stack with an AI-assisted development workflow Real scale and real stakes - regulated financial data, enrichment and payments Experience{{:}} 6-8 years building and shipping machine-learning models, including taking models to production yourself (training pipeline - served endpoint - monitoring) Education{{:}} Bachelor's degree in a quantitative field (Computer Science, Statistics, Applied Mathematics, or related), a Master's or PhD is an asset, not a requirement - production-ML ability matters more than credentials here Non-negotiables{{:}} production-grade Python and the ability to take a model to a live, monitored service yourself , on a solid data-science / ML foundation . For experienced and qualified hires located in Canada, of senior (IC4) level, the compensation range is between $120,000 to $160,000 CAD annually.

Health & Dental coverage as of Day 1 Adaptable Paid Time Off (FTO) Remote work environment with frequent in-person gatherings and activities Career development, learning opportunities and growth Flinks uses artificial intelligence (AI) during the recruitment process to assist in screening, assessing, or selecting applicants. Flinks est une plateforme de finance intégrée qui réunit la connectivité, l'intelligence financière et les paiements, offrant aux entreprises l'infrastructure nécessaire pour concevoir et déployer des expériences financières fluides à grande échelle. Chef de file de la finance ouverte (Open Finance) au Canada, nous avons connu une croissance soutenue depuis 2016 pour devenir l'une des plateformes les plus fiables en Amérique du Nord en matière d'accès aux données financières, d'enrichissement des données et de mouvement de fonds.

Nous collaborons avec des entreprises innovantes dans de nombreux secteurs, notamment le crédit, les technologies financières (fintech), les services bancaires, l'assurance et la gestion de patrimoine. Les entreprises s'appuient sur Flinks pour simplifier l'intégration de leurs utilisateurs, vérifier les revenus, évaluer le risque de crédit et offrir des expériences de paiement plus rapides.



Notre mission est d'accélérer l'innovation financière et d'aider les entreprises à créer des expériences financières simples, connectées et centrées sur leurs clients.

C'est là que vous entrez en jeu. Nous sommes à la recherche d'un(e) Scientifique de données principal(e) (Senior Data Scientist) qui prendra en charge nos modèles d'apprentissage automatique de bout en bout {{:}} de la définition du problème et de la conception du modèle, jusqu'au pipeline d'entraînement, au déploiement en production et au suivi de la qualité du modèle une fois en service. Il s'agit d'un poste de science des données très pratique et fortement axé sur l'ingénierie.

Vous êtes responsable des modèles et de leur qualité. L'équipe d'ingénierie des données (Data Engineering) est responsable de la plateforme de données partagée et de l'infrastructure de déploiement sur laquelle vous vous appuierez {{:}} entrepôt de données, pipelines, gouvernance, CI/CD et fiabilité opérationnelle des points de terminaison. Cela vous permet de vous concentrer sur la science des données et le cycle de vie des modèles, plutôt que sur l'exploitation de la plateforme.

Nous tenons à être transparents à ce sujet {{:}} si vous recherchez un rôle purement axé sur la recherche ou l'analyse dans des notebooks, ce poste n'est probablement pas pour vous. Nous ne développons pas des modèles simplement pour faire du ML. Nous évaluons leur succès en fonction des résultats d'affaires qu'ils génèrent {{:}} réduction du risque, amélioration de la qualité des enrichissements, adoption par les clients, efficacité opérationnelle, croissance des revenus, etc.

Prendre en charge les modèles de ML de bout en bout {{:}} définition du problème, rédaction des documents de conception (RFC), développement, entraînement, déploiement et suivi en production Concevoir les pipelines d'entraînement et préparer les modèles pour leur mise en service sur la plateforme partagée exploitée par l'équipe Data Engineering Assurer la qualité des modèles, sans être responsable de la plateforme elle-même Surveiller les dérives (drift), la performance et déterminer les moments appropriés pour réentraîner les modèles Travailler étroitement avec les équipes Data Engineering, Backend, Produit et QA sur les contrats de données, les déploiements et les mises en production Tirer parti du développement assisté par l'IA afin d'accélérer l'implémentation et l'expérimentation. Les contributions ayant le plus d'impact dans ce rôle reposent sur une excellente définition des problèmes, une solide conception de systèmes, une grande rigueur analytique et des spécifications techniques claires Voici quelques-uns des systèmes de ML actuellement en production dont vous serez responsable de bout en bout {{:}} Catégorisation des transactions - Classificateur hiérarchique multitâche basé sur BERT, exécuté sous forme de modèles segmentés, entraîné à partir de données étiquetées et enrichi par des données synthétiques pour les catégories rares. Détection des annulations et de la catégorie finale - Modèle hybride combinant apprentissage automatique et règles analytiques permettant de classifier les différents types d'annulation et de les associer à leur transaction d'origine.

Suite d'enrichissement financier - Modèles liés aux revenus, revenus nets, fréquence des revenus, pertes d'emploi, événements de vie et fréquence des paies. Outils analytiques et de suivi de la qualité des modèles - Développement et maintien des outils internes permettant de surveiller la performance des modèles, les indices de stabilité de population (PSI), les dérives et les distributions de catégories. Python et SQL #

📌 Senior Data Scientist - E-Commerce (Montreal)
🏢 Flinks
📍 Montreal