Ekspert ML/AI (K/M)

NASK SCIENCE, działając w ramach NASK, prowadzi prace badawczo-rozwojowe w dziedzinach cyberbezpieczeństwa, informatyki i sztucznej inteligencji. W NASK SCIENCE kształtujemy świat, odpowiedzialnie rozwijając technologię służącą społeczeństwu. Społeczne i komercyjne wyzwania ujmujemy w ramy nauki, by dojść do innowacyjnych wyników. Wykrywamy rozsiewanie (dez)informacji w sieciach społecznościowych. Rozwijamy ogólnokrajowe systemy cyberbezpieczeństwa. Tworzymy algorytmy sztucznej inteligencji wspomagające skomplikowane operacje chirurgiczne, sprawdzanie tożsamości, a nawet analizę ruchu zawodników na boisku.

• Min. 4 letnie doświadczenie w klasycznym uczeniu maszynowym, głębokim uczeniu i eksploracyjnej analizie danych
• Zaawansowana znajomość podstawowych algorytmów uczenia maszynowego
• Praktyczne doświadczenie w trenowaniu i ewaluacji modeli ML / AI
• Umiejętność pracy z danymi czasowymi lub sekwencyjnymi
• Umiejętność doboru metod do problemu i danych
• Zdolność krytycznej oceny skuteczności i stabilności modeli
• Zrozumienie ograniczeń i ryzyk związanych z modelami ML / AI
• Zaawansowana znajomość języka Python i bibliotek uczenia maszynowego (Tensorflow i/lub Pytorch, numpy, scikit-learn, pandas)
• Znajomość SQL
• Wykształcenie wyższe w kierunku technicznym
• Znajomość języka angielskiego na poziomie pozwalającym na czytanie dokumentacji technicznej
• Gotowość do pracy iteracyjnej i eksperymentalnej
• Umiejętność pracy zespołowej i komunikowania wyników

Nice to have:

• Doświadczenie w pracy badawczo-rozwojowej lub projektach eksploracyjnych
• Znajomość zagadnień związanych z detekcją anomalii
• Doświadczenie przy budowie potoków (ang. pipeline) przetwarzania danych
• Doświadczenie w pracy z danymi sekwencyjnymi
• Doświadczenie w analizie ruchu sieciowego
• Doświadczenie w analizie odporności modeli na drift danych
• Doświadczenie w obszarze cyberbezpieczeństwa

• Przetwarzanie i analiza danych sekwencyjnych w tym danych dotyczących ruchu sieciowego
• Analiza problemu detekcji anomalii w danych z perspektywy metod ML / AI
• Dobór cech i reprezentacji danych
• Dobór klas modeli i technik adekwatnych do charakteru danych
• Budowa koncepcji i prototypów rozwiązań ML / AI
• Implementacja i trenowanie modeli ML / AI do wykrywania anomalii
• Analiza błędów, ryzyk, przypadków FP oraz FN
• Współpraca z zespołami AI, architektonicznymi i systemowymi
• Dokumentowanie wyników eksperymentów i obserwacji