Обязанности:
Ваши задачи будут включать: Участие в DevSecOps-процессах AI-платформы: безопасный CI/CD, сканирование артефактов, защита data/feature/ML репозиториев; Интегрировать контроли безопасности в инфраструктуру ML‑пайплайнов: обучение, валидация, деплой и инференс моделей (batch/online); Анализировать безопасность ML‑систем: выявлять и снижать риски data poisoning, model stealing/extraction, adversarial examples, membership inference; Участвовать в разработке и внедрении метрик безопасности и надежности ML‑моделей: устойчивость к атакам, дрифт данных и моделей, privacy leakage; Интегрировать ML Sec‑контроллинг с инфраструктурой компании: SIEM, DLP, системы логирования и мониторинга, реестры моделей и ML‑артефактов, сканирование моделей на уязвимости и аномальное поведение; Участвовать в инцидент‑менеджменте безопасности ML‑систем: разбор инцидентов, пост‑морты, улучшение контролей и плейбуков реагирования; Участвовать в построении процессов безопасного тестирования ML‑моделей; Построение защиты цепочки поставки ML‑моделей: проверка датасетов, внешних библиотек, pre‑trained weights, notebook‑ов и CI/CD‑конвейеров для моделей; ML Governance: версионирование, контроль доступа к ML-артефактам, ML lineage. Что мы ждём: Опыт в области информационной безопасности (от 3 лет), DevSecOps, AppSec; Понимание архитектуры современных ML‑систем: ML‑пайплайны (ETL/feature store/train/serve), MLOps‑платформы, реестры моделей, online‑ и batch‑инференс, а также базовые угрозы для таких систем; Понимание принципов работы ML (классификация, регрессия и прочие), форматов ML-артефактов; Практический опыт с инструментами и практиками: CI/CD, security‑scan, SAST/DAST, secret-scan системы логирования и мониторинга, SIEM/SOAR на уровне интеграции RBAC/ABAC‑подходы, OAuth/OpenID, сервис‑аккаунты Понимание уязвимостей из OWASP Top 10 for ML; Навыки анализа архитектуры и написания технической документации: модели угроз, схемы взаимодействия сервисов, регламенты и плейбуки; Владение Python для написания скриптов автоматизации тестирования и анализа; Готовность разбираться в новых MLOps/MLSecOps‑инструментах, фреймворках и участвовать в разработке внутренних стандартов и методологий по ML Sec. Будет плюсом: Опыт проектирования или эксплуатации ML‑платформ, MLOps‑решений, рекомендательных систем (Kubeflow, MLflow, и прочие); Практический опыт adversarial testing / ML red teaming; Опыт анализа и защиты систем, сочетающих ML, LLM, GenAI или data-платформ; Опыт интеграции security‑контролей с DLP/SIEM, построения корреляционных правил и дашбордов под ML‑сценарии; Опыт работы в крупном банке, финтехе или другой высокорегулируемой отрасли.Похожие вакансии