Ekspert ML/AI (K/M)

NASK SCIENCE, a division within NASK, conducts R&D in cybersecurity, computer science, and artificial intelligence. The role involves practical work with data and machine learning models in network traffic analysis, covering the entire data workflow from acquisition, preparation, implementation, experimentation to evaluation of quality, effectiveness, and stability. The goal is to identify, design, and evaluate AI and ML approaches for detecting anomalies, threats, and unusual patterns in network data.

• 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 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