Կիրառական գիտնական / MLOps ինժեներ (տվյալների անանունացում / գաղտնիության AI)

Ավագ կիրառական գիտնական / MLOps ինժեներ տվյալների անանունացման և գաղտնիության AI ոլորտում։ Հեռավար, լրիվ դրույքով, պայմանագիր անհատ ձեռներեցի հետ։ Աշխատավարձը՝ 1200-1500 ռուբլի/ժամ։

Հիմնական առաջադրանքներ՝ 1. Տվյալների դասակարգիչի մշակում տվյալների բազաների դաշտերի համար (Tabular ML)՝ - Բարելավել գոյություն ունեցող ML մոդելը (RandomForest), որը հայտնաբերում է անձնական տվյալները տվյալների բազայի դաշտերում՝ հիմնվելով մետատվյալների և արժեքների վրա։ - Վերապատրաստել մոդելը՝ ճանաչելու նոր տվյալների տեսակներ (օրինակ՝ VIN համարներ, հատուկ նույնացուցիչներ)։ - Բարելավել դասակարգման որակը՝ ուղղել սխալները (օրինակ՝ հայտնաբերել բարդ հեռախոսային ձևաչափեր)։ - Լուծել «խառը տվյալների» խնդիրը՝ մոդելը վերապատրաստել այնպես, որ ճիշտ աշխատի, երբ մեկ DB սյունակը պարունակում է անուններ, հասցեներ և հեռախոսներ։ - Օպտիմալացնել մոդելը բարձր արագության համար CPU-ի վրա, քանի որ համակարգը սկանավորելու է մի քանի TB տվյալների բազաներ։ 2. Մոդելի ստեղծում կամայական տեքստում տվյալների հայտնաբերման համար (NLP / NER)՝ - Մշակել ճարտարապետություն և վերապատրաստել NER մոդել՝ անձնական տվյալներ գտնելու ոչ կառուցվածքային տեքստում։ - Աշխատել տարբեր ֆայլերի ձևաչափերով՝ TXT, DOCX, PDF (ներառյալ OCR) և գրանցամատյաններ։ - Իրականացնել աղմկոտ տվյալների մաքրման և նորմալացման pipelines՝ նախքան մոդելին մատակարարելը։

Փորձ և առաջնորդություն՝ - 3+ տարվա փորձ ML մոդելների մշակման և շահագործման մեջ։ - Փորձ ամբողջ ցիկլի հետ՝ հետազոտությունից և խնդրի սահմանումից մինչև որակի մոնիտորինգ և ավտոմատ վերապատրաստման կարգավորում։ - Առաջնորդություն՝ պատրաստակամություն՝ ղեկավարելու ուղղությունը, բիզնես առաջադրանքները տեխնիկականի վերածելու և արդյունքների համար պատասխանատվություն վերցնելու։ Տեխնիկական ստեկ (Python և ML)՝ - Վստահ Python (pandas, numpy, scikit-learn)։ - Խորը ընկալում դասական ML ալգորիթմների (որոշումների ծառեր, ensemble, Random Forest), արդյունքների մեկնաբանման (Feature Importance) և հիպերպարամետրերի կարգավորման։ NLP: - Գործնական փորձ Hugging Face Transformers և/կամ SpaCy հետ։ - Պարտադիր փորձ NER մոդելների վերապատրաստման։ Տվյալների ինժեներիա՝ - Փորձ pipelines-ների կառուցման մեջ ոչ կառուցվածքային տվյալների (PDF, տեքստ)։ - Feature engineering աղյուսակային տվյալների համար։ Կատարողականություն և ենթակառուցվածք (MLOps)՝ - Փորձ մոդելի inference-ի օպտիմալացման CPU-ի վրա։ - Փորձ մեծ ծավալի տվյալների հետ (ամբողջ DB սկանավորում մի քանի TB)։ - Փորձ մոդելների վրա API-ի միջոցով (FastAPI), կոնտեյներացում (Docker)։ - MLOps՝ versioning գործիքներ (MLflow, DVC), CI/CD գործընթացների ընկալում։ - Փորձ մոդելի որակի մոնիտորինգի կարգավորման (Model Drift, Quality Gates) և ավտոմատ վերապատրաստման։ Լրացուցիչ ցանկալի՝ - Փորձ DB տվյալների profiling-ի համար դասակարգիչներով։ - Փորձ հատուկ տվյալների տեսակների ճանաչում (VIN, քարտի համարներ, կրիպտո հասցեներ)։ - Փորձ անձնական տվյալների պաշտպանության, անանունացման կամ հակախարդախության համակարգերում։

Հնարավորություն՝ ազդելու բարդ AI արտադրանքի ճարտարապետության վրա զրոյից։ Աշխատանք իրական Big Data խնդիրների հետ (TB+): Ժամանակակից ստեկ և ոչ ժառանգական կոդ։ Պայմանագիր անհատ ձեռներեցի հետ։ Աշխատավարձ՝ 1200-ից մինչև 1500 ռուբլի ժամում։