Η ActiveFence είναι εταιρεία κυβερνοασφάλειας και τεχνητής νοημοσύνης που επικεντρώνεται στην εμπιστοσύνη και την ασφάλεια για διαδικτυακές πλατφόρμες. Η ολοκληρωμένη σουίτα λύσεών της συνδυάζει έρευνα πληροφοριών, ανίχνευση επιβλαβούς περιεχομένου με τη βοήθεια τεχνητής νοημοσύνης και εργαλεία εποπτείας περιεχομένου, βοηθώντας τις πλατφόρμες να αντιμετωπίζουν κινδύνους όπως η εκμετάλλευση παιδιών, η παραπληροφόρηση, η ρητορική μίσους, η τρομοκρατία, το γυμνό, η απάτη και άλλες μορφές διαδικτυακής βλάβης. Η ActiveFence υποστηρίζει ομάδες εμπιστοσύνης και ασφάλειας κάθε μεγέθους, συμβάλλοντας στην προστασία περισσότερων από τριών δισεκατομμυρίων χρηστών παγκοσμίως σε περισσότερες από 100 γλώσσες.
Ανώτερος επιστήμονας δεδομένων GenAI στην ActiveFence (Υβριδική εργασία, Ισραήλ)
Ρόλος ανώτερου επιστήμονα δεδομένων GenAI με έμφαση στο αυτοματοποιημένο red teaming, τη μηχανική μάθηση και την ανάλυση δεδομένων μεγάλης κλίμακας. Ανάπτυξη συστημάτων που βοηθούν στον εντοπισμό αναδυόμενων απειλών ασφαλείας σε διαδικτυακές εμπειρίες και προϊόντα τεχνητής νοημοσύνης.
Περιγραφή
- Ανάπτυξη επεκτάσιμων agents επιστήμης δεδομένων που συλλογίζονται και εκτελούν πολυβήματες ροές εργασίας για τη δημιουργία και ανάλυση επιθέσεων αντιπάλου.
- Διαχείριση και ερμηνεία δεδομένων prompts και responses από εκστρατείες red team, αξιολογήσεις μοντέλων και συνθετικές επιθέσεις, συμπεριλαμβανομένων του καθαρισμού, της επιμέλειας, της κανονικοποίησης και της επισήμανσης.
- Εξέταση δομημένων και μη δομημένων δεδομένων για τον εντοπισμό τάσεων, συστάδων, ανωμαλιών, οικογενειών επιθέσεων, τεχνικών jailbreak και νέων μοτίβων.
- Δημιουργία μοντέλων μηχανικής μάθησης και προγνωστικών αλγορίθμων που αυτοματοποιούν διαδικασίες red team.
- Ανάπτυξη pipelines αξιολόγησης και παρακολούθησης για τη μέτρηση της επιτυχίας των επιθέσεων και τη σύγκριση της συμπεριφοράς μοντέλων μεταξύ παρόχων.
- Εφαρμογή στατιστικών μεθόδων και πειραμάτων για την επαλήθευση ευρημάτων και την υποστήριξη ακριβών, αναπαραγώγιμων αποτελεσμάτων.
- Μεταφορά της έρευνας στην παραγωγή μέσω αξιόπιστων και επεκτάσιμων συστημάτων, σχεδιασμένων για αποδοτικότητα κόστους και λανθάνοντος χρόνου και υποστηριζόμενων από δοκιμές, CI/CD και telemetry.
Απαιτήσεις
- Τουλάχιστον πέντε χρόνια πρακτικής εμπειρίας στην επιστήμη δεδομένων ή στη μηχανική μάθηση με χρήση Python ή R και SQL.
- Τουλάχιστον τρία χρόνια εμπειρίας με Scikit-Learn και PyTorch.
- Πρακτική εμπειρία σε GenAI red teaming, adversarial testing ή ασφάλεια LLM.
- Εμπειρία στην κατασκευή και ανάπτυξη συστημάτων που βασίζονται σε LLM ή συστημάτων μηχανικής μάθησης σε παραγωγή.
- Ισχυρή γνώση μοτίβων σχεδιασμού LLM, συμπεριλαμβανομένων του prompt engineering, του tool calling, των structured outputs και του RAG.
- Ισχυρή κατανόηση της συσταδοποίησης, των embeddings και του NLP, της σημασιολογικής ομοιότητας και του εντοπισμού ανωμαλιών ή καινοτομιών.
- Εμπειρία στην ανάπτυξη συστημάτων ταξινόμησης, κατάταξης ή ιεράρχησης.
- Στέρεες βάσεις στη στατιστική, στον πειραματικό σχεδιασμό και στην αξιολόγηση μοντέλων.
- Εμπειρία με Cradle, Apache Hadoop και Spark, καθώς και με την ανάπτυξη ETL και pipelines δεδομένων μεγάλης κλίμακας.
- M.Sc. στην επιστήμη υπολογιστών, την ηλεκτρολογία, τα μαθηματικά, τη στατιστική ή συναφή κλάδο.
- Ph.D. αποτελεί πλεονέκτημα αλλά δεν απαιτείται.