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

Задачи: — Развитие классификатора данных для полей БД (Tabular ML): развитие существующей ML-модели (RandomForest) для выявления 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 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. Плюсом будет: — Опыт работы 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: — Возможность влиять на архитектуру сложного AI-продукта с нуля. — Работа с реальными Big Data задачами (TB+). — Современный стек и отсутствие легаси.