Applied Scientist / MLOps Engineer (Обезличивание данных / Privacy AI)

Описание

Этот специалист будет заниматься развитием существующей ML-модели и созданием новой модели для выявления данных в произвольном тексте.

Обязанности

• Развитие классификатора данных для полей БД (Tabular ML)
• Развитие существующей ML-модели (RandomForest), выявляющей ПДн в полях баз данных на основе метаданных и значений
• Обучение модели распознаванию новых типов данных (например, VIN-номера, специфические идентификаторы)
• Повышение качества классификации: исправление ошибок (например, обнаружение сложных форматов телефонов)
• Решение задачи со «смешанными данными»: обучение модели корректно работать, когда в одной колонке БД вперемешку находятся ФИО, адреса и телефоны
• Оптимизация модели для высокой скорости работы на CPU, так как системе предстоит проводить полное сканирование БД объемом в несколько ТБ
• Создание модели для выявления данных в произвольном тексте (NLP / NER)
• Разработка архитектуры и обучение NER-модели (Named Entity Recognition) для поиска ПДн в неструктурированном тексте
• Работа с различными форматами файлов: TXT, DOCX, PDF (включая распознавание текста) и логами
• Реализация пайплайнов очистки и нормализации «шумных» данных перед подачей в модель

Требования

• Опыт разработки и внедрения ML-моделей в production от 3-х лет
• Опыт ведения полного цикла: от исследования и постановки задачи до мониторинга качества и настройки автоматического ретренинга
• Готовность возглавить направление, самостоятельно декомпозировать бизнес-задачи на технические и нести ответственность за результат
• Уверенное владение Python (pandas, numpy, scikit-learn)
• Глубокое понимание классических ML-алгоритмов (деревья решений, ансамбли, Random Forest)
• Умение интерпретировать результаты (Feature Importance) и подбирать гиперпараметры
• Практический опыт работы с Hugging Face Transformers и/или SpaCy
• Обязателен опыт обучения NER-моделей
• Опыт построения пайплайнов обработки неструктурированных данных (PDF, тексты)
• Навык Feature Engineering для табличных данных
• Опыт оптимизации инференса моделей для работы на CPU
• Опыт работы с большими объемами данных (полное сканирование БД от нескольких ТБ)
• Опыт развертывания моделей через API (FastAPI), контейнеризация (Docker)
• Владение инструментами версионирования (MLflow, DVC)
• Понимание CI/CD-процессов
• Опыт настройки мониторинга качества моделей (Model Drift, Quality Gates) и организации автоматического ретренинга

Будет плюсом

• Опыт работы именно с классификаторами для профилирования данных БД
• Опыт распознавания специфических типов данных (VIN, номера карт, крипто-адреса)
• Опыт в области защиты ПДн, обезличивания данных или антифрод-систем

Условия

• Оформление по договору с ИП
• Оплата: от 1200 рублей в час до 1500 рублей в час
• Возможность влиять на архитектуру сложного AI-продукта с нуля
• Работу с реальными Big Data задачами (TB+)
• Современный стек и отсутствие легаси