ML-аналитик (офис)

Описание

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.