Senior ML/AI Specialist (K/M)

Rola obejmuje praktyczną pracę z danymi oraz modelami uczenia maszynowego w obszarze analizy ruchu sieciowego. Zakres odpowiedzialności obejmuje cały proces pracy z danymi — od ich pozyskania i przygotowania, przez implementację modeli i prowadzenie eksperymentów, aż po ocenę jakości, skuteczności i stabilności opracowanych rozwiązań. Celem prac jest identyfikacja, projektowanie oraz ocena podejść opartych na metodach sztucznej inteligencji i uczenia maszynowego, które mogą znaleźć zastosowanie w detekcji nieprawidłowości, zagrożeń i nietypowych wzorców w danych sieciowych. NASK SCIENCE, działając w ramach NASK, prowadzi prace badawczo-rozwojowe w dziedzinach cyberbezpieczeństwa, informatyki i sztucznej inteligencji.

• Min. 3 letnie doświadczenie w uczeniu maszynowym, głębokim uczeniu i 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
• Zdolność krytycznej oceny skuteczności i stabilności modeli
• Zrozumienie ograniczeń i ryzyk związanych z modelami ML / AI
• Wykształcenie wyższe w kierunku technicznym
• Znajomość języka angielskiego na poziomie pozwalającym na czytanie dokumentacji technicznej
• Zaawansowana znajomość języka Python i bibliotek uczenia maszynowego (TensorFlow i/lub PyTorch, numpy, scikit-learn, pandas)
• Gotowość do pracy iteracyjnej i eksperymentalnej
• Umiejętność pracy zespołowej i komunikowania wyników

Nice to have:

• Doświadczenie w pracy badawczo-rozwojowej lub projektach eksploracyjnych
• Doświadczenie w obszarze cyberbezpieczeństwa lub w analizie ruchu sieciowego / danych telemetrycznych
• Doświadczenie w pracy z danymi czasowymi i sekwencyjnymi
• Znajomość zagadnień związanych z detekcją anomalii lub systemami monitoringu

• Przygotowanie i analiza danych dotyczących ruchu sieciowego
• Analiza problemu detekcji anomalii w ruchu sieciowym 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
• Ocena skuteczności, przydatności i ograniczeń modeli oraz metod
• Analiza odporności na drift danych
• Analiza błędów, ryzyk, przypadków fałszywie dodatnich detekcji
• Współpraca przy budowie potoków (ang. pipeline) przetwarzania danych i uczenia modeli
• Współpraca z zespołami AI, architektonicznymi i systemowymi
• Dokumentowanie wyników eksperymentów i obserwacji