Ավագ կիրառական գիտնական / MLOps ինժեներ (Գաղտնիության ԱԻ)

Ավագ կիրառական գիտնական/MLOps ինժեներ Գաղտնիության ԱԻ - տվյալների ապաանձնավորման համար: Լրիվ դրույք, հեռավար Ռուսաստանում, պայմանագիր անհատ ձեռներեցի հետ, 1200-1500 ռուբլի/ժամ:

Մշակել տվյալների դասակարգիչ տվյալների բազայի դաշտերի համար (Tabular ML):- Բարելավել գոյություն ունեցող RandomForest մոդելը՝ անձնական տվյալների հայտնաբերման համար բազայի դաշտերում՝ հիմնվելով մետատվյալների և արժեքների վրա, ներառյալ նոր տեսակները (VIN, հատուկ նույնացուցիչներ) և խառը տվյալները (անուններ, հասցեներ, հեռախոսներ):- Օպտիմալացնել մոդելը բարձր արագությամբ CPU-ի ենթադրությունների համար՝ մի քանի TB տվյալների բազաներ սկանավորելու համար:Կառուցել NER մոդել՝ չկառուցվածքավորված տեքստում անձնական տվյալների հայտնաբերման համար (NLP/NER):- Նախագծել ճարտարապետություն և վերապատրաստել NER մոդել չկառուցվածքավորված տեքստի համար:- Մշակել տարբեր ֆայլերի ձևաչափեր (TXT, DOCX, PDF, մատյաններ):- Իրականացնել խողովակաշարեր՝ աղմկոտ տվյալների մաքրման և նորմալացման համար:

Փորձ և ղեկավարություն:- 3+ տարի փորձ ML մոդելների մշակման և արտադրություն դուրս բերման մեջ:- Ամբողջական ցիկլի փորձ՝ հետազոտությունից և խնդրի սահմանումից մինչև որակի մոնիտորինգ և ավտոմատ վերապատրաստման կարգավորում:- Ղեկավարություն. պատրաստ լինել ղեկավարել ուղղությունը, տարրալուծել բիզնես խնդիրները տեխնիկական խնդիրների և պատասխանատվություն կրել արդյունքների համար:Տեխնիկական փաթեթ (Python և ML):- Ուժեղ Python հմտություններ (pandas, numpy, scikit-learn):- Խորը ընկալում դասական ML ալգորիթմների (որոշման ծառեր, համույթներ, Random Forest), արդյունքների մեկնաբանման ունակություն (Feature Importance) և հիպերպարամետրերի կարգավորում:NLP:- Գործնական փորձ Hugging Face Transformers և/կամ SpaCy հետ:- Պարտադիր փորձ NER մոդելների վերապատրաստում:Տվյալների ճարտարագիտություն:- Փորձ չկառուցվածքավորված տվյալների (PDF, տեքստեր) խողովակաշարերի կառուցման մեջ:- Feature Engineering աղյուսակային տվյալների համար:Կատարողականություն և ենթակառուցվածք (MLOps):- Փորձ CPU-ի վրա մոդելի ենթադրությունների օպտիմալացման մեջ:- Փորձ մեծ ծավալների տվյալների հետ (մի քանի TB տվյալների բազաների լրիվ սկանավորում):- Փորձ մոդելների API-ի միջոցով տեղակայման (FastAPI), կոնտեյներացման (Docker):- MLOps. տարբերակման գործիքներ (MLflow, DVC), CI/CD գործընթացների ընկալում, մոդելի որակի մոնիտորինգի կարգավորման փորձ (Model Drift, Quality Gates) և ավտոմատ վերապատրաստում:Լրացուցիչ առավելություն:- Փորձ տվյալների բազայի տվյալների պրոֆիլավորման դասակարգիչների հետ:- Փորձ հատուկ տվյալների տեսակների ճանաչում (VIN, քարտի համարներ, կրիպտո հասցեներ):- Փորձ անձնական տվյալների պաշտպանության, տվյալների ապաանձնավորման կամ հակախարդախության համակարգերում:

Հնարավորություն ազդելու բարդ ԱԻ արտադրանքի ճարտարապետության վրա զրոյից:Աշխատանք իրական Big Data խնդիրների հետ (TB+):Ժամանակակից տեխնոլոգիական կազմ և ոչ մի հնացած կոդ:Պայմանագիր անհատ ձեռներեցի հետ:Վճարում. 1200-ից 1500 ռուբլի/ժամ:Լրիվ դրույք, երկարաժամկետ: