Applied Scientist

Условия

• Локация: РФ
• Формат: удалённо
• Период: долгосрок
• Занятость: фуллтайм
• Оформление по договору с ИП
• Оплата: от 1200 до 1500 рублей в час

Чем предстоит заниматься

• Развитие классификатора данных для полей БД (Tabular ML): развитие ML-модели (RandomForest), выявляющей ПДн в полях БД на основе метаданных и значений
• Обучение модели распознаванию новых типов данных (VIN-номера, специфические идентификаторы)
• Повышение качества классификации, решение задачи со смешанными данными
• Оптимизация модели для высокой скорости работы на CPU при сканировании БД объёмом в несколько ТБ
• Создание NER-модели для выявления ПДн в произвольном тексте (NLP / NER)
• Работа с форматами TXT, DOCX, PDF (включая распознавание текста) и логами
• Пайплайны очистки и нормализации шумных данных

Требования

• Опыт разработки и внедрения ML-моделей в production от 3 лет
• Опыт ведения полного цикла: от исследования до мониторинга качества и авторетренинга
• Готовность возглавить направление, декомпозировать бизнес-задачи
• Уверенное владение Python (pandas, numpy, scikit-learn)
• Глубокое понимание классических ML-алгоритмов (деревья решений, ансамбли, Random Forest), Feature Importance, подбор гиперпараметров
• NLP: опыт с Hugging Face Transformers и/или SpaCy, обязателен опыт обучения NER-моделей
• Data Engineering: пайплайны обработки неструктурированных данных, Feature Engineering для табличных данных
• Опыт оптимизации инференса моделей для работы на CPU
• Опыт работы с большими объёмами данных (сканирование БД от нескольких ТБ)
• Опыт развертывания моделей через API (FastAPI), контейнеризация (Docker)
• MLOps: MLflow, DVC, понимание CI/CD, мониторинг качества моделей (Model Drift, Quality Gates), авторетренинг

Будет плюсом

• Опыт 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

Что мы предлагаем

• Возможность влиять на архитектуру сложного AI-продукта с нуля
• Работа с реальными Big Data задачами (TB+)
• Современный стек и отсутствие легаси