рт-информационная безопасность

ML-аналитик (офис)

Мы ищем человека, который умеет превращать сырые данные (логи, события, инциденты) в работающие ML-сервисы. Не просто «обучил модель в ноутбуке и забыл» , а довёл от гипотезы до прототипа, завернул в API и сопроводил в проде. Вы будете раб…

рт-информационная безопасность

Зарплата не указанаРоссияМоскваОфис

Мы ищем человека, который умеет превращать сырые данные (логи, события, инциденты) в работающие ML-сервисы. Не просто «обучил модель в ноутбуке и забыл» , а довёл от гипотезы до прототипа, завернул в API и сопроводил в проде. Вы будете работать на стыке машинного обучения и информационной безопасности — это значит, что данные здесь настоящие, задачи нетипичные, а результат видит вся команда мониторинга и реагирования.

Чем предстоит заниматься:

  • Исследовать и прототипировать — придумывать, как ML может решить задачи SOC/MDR, проверять гипотезы на реальных данных и собирать прототипы, которые не стыдно показать бизнесу.
  • Доводить до прода — превращать прототип в рабочий сервис: API на FastAPI, Docker, типизация, всё как у взрослых. Сопровождать в Production, мониторить, дорабатывать.
  • Решать прикладные задачи ML — классификация событий безопасности, поиск аномалий в логах, парсинг и обработка текстов, анализ временных рядов, анализ ролевой модели доступа.
  • Работать с LLM — строить приложения на больших языковых моделях: RAG, embeddings, structured output, tool calling, агентные сценарии. Оценивать качество ответов, чтобы не галлюцинировало.
  • Развивать аналитическое ядро — поддерживать и улучшать существующие ML/DS-проекты, переобучать модели на свежих данных, адаптировать под новые требования.
  • Участвовать в пилотах — помогать внедрять продукты у заказчиков, разбираться в их данных, показывать, что ML реально работает.
  • Взаимодействовать с разработкой — ставить задачи по доработке сервисов, обсуждать архитектуру, проводить code review.
  • Реальные задачи, где ML влияет на безопасность продукта, а не «тренировка моделей ради метрик».
  • Современный стек: Python 3.10+, PyTorch, Hugging Face, vLLM, SGLang, LangGraph, Qdrant, FastAPI, PostgreSQL, Prefect, Docker, GitLab CI/CD, pytest, Ruff, mypy, uv.

Что мы ожидаем:

Опыт и образование:

  • От 1,5 лет в анализе данных, ML, ML-инженерии или backend-разработке с ML-задачами;
  • Высшее техническое (или учитесь): математика, ИТ, ИБ, анализ данных или смежное. Подойдёт и бакалавр/магистр в процессе — главное, чтобы руки уже были в коде.

Код и инженерия:

  • Python — уверенно. Не просто "GPT помоги, а сам понимаешь, что написано";
  • Опыт разработки API и сервисов на Python;
  • FastAPI, uv, Docker, vLLM — будет большим плюсом.

ML и данные:

  • Практический опыт с pandas, numpy, scikit-learn на данных из реальных систем (не только Kaggle);
  • Классический ML: классификация, поиск аномалий, обработка текстов, временные ряды — понимание, когда и что применять;
  • SQL — извлекать, проверять, агрегировать данные без чужой помощи;
  • Понимание принципов построения LLM-приложений: промптинг, embeddings, RAG, structured output, tool calling, оценка качества;
  • Если делали агентные решения — отлично.

Доменная область.

  • Готовность разобраться в данных SOC/MDR: события безопасности, инциденты, логи, метрики, результаты работы аналитиков;
  • Опыт в ИБ не обязателен — важно желание и способность быстро погружаться.

Будет преимуществом:

  • Опыт в информационной безопасности: SOC, MDR/MSSP или смежные задачи;
  • Агентные решения на базе LLM — разработка или практическое использование. ML/LLM-решения для закрытых внутренних контуров (on-premise, без внешних API);
  • Grafana, ELK, работа с логами, метриками и событиями;
  • Опыт в ИБ не обязателен — важно желание и способность быстро погружаться.

Работая в команде РТ-Информационная безопасность, вы получаете:

  • Стабильную официальную окладную часть + бонусы и премии;
  • Оформление по ТК РФ;
  • До 10 day-off в год по результатам работы;
  • Full Time office формат работы с графиком 5/2 (гибридный график работы - обсуждается);
  • Работу в молодой и дружной команде профессионалов (средний возраст сотрудников ниже 30 лет);
  • Возможность прохождения обучения как по внутренним, так и по сторонним обучающим программам;
  • Отличную возможность для реализации идей (руководство компании открыто к новым стратегиям);
  • ДМС + стоматология - после испытательного срока;
  • Партнерскую программу скидок.

Похожие вакансии Data Science & ML

Соц.сети

Senior Python+LLM

Неизвестный работодатель
Зарплата не указанаРоссияУдалёнка

ID 3993 - Senior python+LLM

🌍 Локация: РФ
💼 Удаленно
🕔 Занятость: фулл тайм

💡 Требования:
Python 5+ лет, продвинутый: ООП, типизация (mypy/pydantic), асинхронность (asyncio), pytest, профилирование.
Проектирование API: FastAPI (или Flask), REST, валидация, обработка ошибок, идемпотентность.
Git, code review, CI/CD (GitHub Actions/GitLab CI), Docker; Kubernetes - плюс.
Работа с БД: PostgreSQL (SQL уверенно), Redis; понимание индексов и транзакций.
Очереди/брокеры: Kafka или RabbitMQ - практический опыт.
Написание документации и поддержка кода в проде (логи, метрики, алерты).

LLM - практика в проде:
RAG end-to-end: чанкинг, эмбеддинги, векторные БД (Qdrant/Milvus/pgvector/FAISS), гибридный поиск (BM25 + вектор), реранкеры.
Промпт-инжиниринг и управление контекстом: шаблоны, few-shot, structured output (JSON Schema/Pydantic), анти-галлюцинационные меры.
Tool calling / function calling, агентные паттерны (ReAct, router/supervisor), LangChain/LangGraph или аналоги.
Fine-tuning LLM: LoRA/QLoRA, instruction tuning, подготовка датасетов; опыт с HF Transformers.
Оценка качества LLM: offline/online-метрики, human-eval, A/B, LLM-as-judge, регрессионные бенчмарки.
Понимание стоимости и latency LLM: кэширование, батчинг, выбор модели, токен-бюджет.

ML - прикладной уровень:
scikit-learn, PyTorch (или TF): обучение, валидация, кросс-валидация, метрики (precision/recall/F1, ROC-AUC).
NLP-база: токенизация, эмбеддинги, классификация, NER; HF Transformers.
Понимание переобучения, дисбаланса классов, утечек данных, калибровки вероятностей.
MLflow (или аналог): трекинг экспериментов, версионирование моделей.
Деплой моделей: инференс-сервис, батч/онлайн, мониторинг дрейфа - базово.

Архитектура и процесс:
Опыт самостоятельных архитектурных решений и ведения задач end-to-end (постановка → прод).
Оценка сложности, декомпозиция, code review, менторство джунов/мидлов.
Работа с продуктом/бизнесом: перевод требований в технические решения, измеримый эффект.

➕Будет плюсом (nice)
Kubernetes, Helm, GPU-инференс (vLLM/TGI), Triton.
Векторные БД в проде (Milvus/Qdrant/Weaviate), OpenSearch/Elastic.
Мультиагентные системы, LangGraph, AutoGen.
Guardrails, PII-маскирование, безопасность LLM (prompt injection).
Опыт с open-source LLM (Qwen/LLaMA/Mistral) и квантизацией.
Airflow/Spark, дата-пайплайны.
Английский B2+ (чтение доков, коммуникация).

📨 Отклик — через форму: •••••••• или напрямую рекрутеру ••••••••

❗️Откликайтесь только при релевантном опыте.

❗️При первичном отклике:
ID вакансии / ФИО / локация / возраст / занятость (работаете/нет) / формат работы (удаленка, гибрид, офис) / стек / опыт / резюме / сверка с требованиями

❗️Повторный отклик: ID вакансии + сверка.

#Python #Удаленно #вакансия

Соц.сети

Big Data Scientist

35 000 000–58 000 000 UZS (≈ 238k–394k ₽)УзбекистанТашкентОфис

#BigDataScientist
•••••••• is hiring a Big Data Scientist in Tashkent for a project developing an automated lending platform with ML-based credit scoring, predictive analytics, and improved credit risk assessment.

Location: Tashkent (onsite)
Work format: Office
Salary: •••••••• 58000000 UZS gross
English: From B1+

The project is focused on developing an automated corporate lending platform for businesses and individual entrepreneurs. It includes implementing ML-based credit scoring, predictive analytics, and a decision engine while optimizing underwriting processes to improve credit risk assessment, accelerate loan approvals, and enhance lending efficiency.

Requirements:
- Experience as a Data Scientist for 5+ years.
- Experience working with banking products and in the fintech industry.
- Hands-on experience with Python and PySpark.
- Experience developing credit scoring models (application and behavioral scoring) and Probability of Default (PD) models.
- Understanding of PD, LGD, and EAD metrics and their application in Expected Credit Loss (ECL) calculations under IFRS 9.
- Experience working with large-scale datasets.
- Strong SQL skills.
- Experience in model validation, including Gini, KS, PSI, and backtesting.

For all questions: ••••••••

👉 ••••••••

hh.ru
СБЕР

Middle Data Scientist (Classic ML)

СБЕР
Зарплата не указанаРоссияМоскваОфис

Основным направлением работы команды является разработка моделей по продуктам кредитов физических лиц (КФЛ) для Блока Финансы. Ключевыми задачами являются:

* Модели досрочного погашения кредитов/вкладов ФЛ на портфельном/клиентском уровне

* Модели эластичности КФЛ

* Модели рефинансирования КФЛ

* Модели детекции аномалий по НОСТРО счетам

Обязанности

  • сбор и подготовка данных (Hadoop, pyspark)
  • тестирование различных гипотез
  • полный пайплайн разработки модели (бустинг, нейронные сети, временные ряды)
  • общение с заказчиками и DE.

Требования

  • опыт работы Data Scientist от 2 лет
  • образование по направлениям "Математика", «Физика», «Мат. методы в экономике (желательно выпускники - МГУ, МФТИ, ВШЭ и других ведущих вузов страны)
  • глубокие знания в области теории вероятностей, статистики.
  • понимания алгоритмов ML-моделей (регрессии, классификации, и т. д.)
  • владение Python (numpy, sklearn, pandas, matplotlib/seaborn/plotly, catboost/lightgbm/xgboost, etc.)
  • как плюс будет владение одним из фреймворков DL, pyspark.

Условия

  • комфортный современный офис рядом с м. Кутузовская
  • офисный формат работы
  • ежегодный пересмотр зарплаты, квартальная и годовая премия (премия указывается в зависимости от должности и системы премирования)
  • корпоративный спортзал и зоны отдыха
  • более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
  • программа адаптации и помощь руководителя на старте (для вакансий уровня Junior)
  • расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
  • гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
  • подписка Прайм с возможностью совместного использования на трёх близких
  • вознаграждение за рекомендацию друзей в команду Сбера.

HireSeeker собирает вакансии со всех площадок и присылает только релевантные. Бесплатно.