DevSecOps-инженер (ИИ/ML)

Обязанности:

• Внедрение и поддержание процессов разработки безопасного программного обеспечения:

• Контроль и аудит процессов разработки ПО на базе ИИ-решений в части соответствия требованиям ИБ: data pipelines, feature stores, experiment tracking, обучение и валидация моделей;
• Встраивание security controls в MLOps-пайплайны: сканирование ноутбуков, репозиториев с моделями, конфигураций обучения, артефактов MLflow / Kubeflow / Airflow;
• Защита данных для обучения: контроль обезличивания, разметки, внешних датасетов, соблюдение требований к конфиденциальности и персональным данным;
• Аудит цепочки поставки моделей (model supply chain): проверка зависимостей ML-библиотек, весов моделей, docker-образов с GPU-зависимостями, базовых образов CUDA;
• Контроль безопасности инференса (model serving): защита API моделей, rate limiting, валидация входных данных, контрмеры против adversarial attacks и prompt injection (для LLM-решений);
• Участие в threat modeling для ИИ-систем: риски утечки данных через модель (membership inference), model inversion, data poisoning, model stealing, jailbreaks.

• Инфраструктура и CI/CD:

• Настройка и контроль SAST / DAST / SCA / secret scanning в репозиториях команд ИИ-разработки;
• Безопасность инфраструктуры обучения: Kubernetes с GPU-нодами, облачные ML-платформы, хранилища данных и моделей;
• Управление доступом: RBAC в ML-платформах, сегрегация сред (dev / staging / production для моделей), контроль привилегий Data Scientists и ML-инженеров.

• Процессы и комплаенс:

• Разработка и актуализация регламентов по разработке безопасного программного обеспечения для ИИ-продуктов;
• Контроль соответствия требованиям регуляторов в области ИИ и данных (требования ЦБ РФ, 152-ФЗ, GDPR, ISO 27001, ГОСТ Р ИСО/МЭК 27001, рекомендации по ИИ);
• Подготовка отчётности по уязвимостям ИИ-решений и координация их устранения с командами разработки;
• Обучение команды ИИ-разработки базовым принципам разработки безопасного ПО: secure coding для Python/R, защита Jupyter-ноутбуков, безопасная работа с open-source моделями и внешними API (OpenAI, Anthropic, open weights).

• Технические (hard skills):

• Опыт работы в роли DevSecOps, Application Security в технических командах от 2 лет;
• Понимание жизненного цикла разработки ИИ/ML: data preparation, training, validation, deployment, monitoring;
• Опыт работы с CI/CD (GitLab CI, GitHub Actions) и контейнерными оркестраторами (Docker, Kubernetes);
• Практический опыт со сканерами уязвимостей (SonarQube, Trivy, Snyk, Checkmarx, Aqua или аналоги);
• Знание методологий разработки безопасного программного обеспечения (OWASP ASVS, OWASP ML Top 10, OWASP LLM Top 10, SSDLC, CWE, CVE);
• Навыки работы с облачной инфраструктурой и понимание рисков при работе с GPU-инстансами и ML-платформами;
• Уверенное владение Python, Bash; понимание специфики зависимостей ML-экосистемы (PyTorch, TensorFlow, transformers, LangChain, pandas).

• Личностные (soft skills):

• Способность выстраивать конструктивное взаимодействие с Data Scientists и ML-инженерами без блокирования экспериментов;
• Умение переводить риски ИБ в понятные для R&D-подразделения требования;
• Системное мышление, внимание к деталям, способность разбираться в чужом коде и ML-артефактах;
• Готовность к сотрудничеству и приоритезации задач в условиях быстрого цикла разработки ИИ-продуктов.
• Желательные требования:
• Профильное высшее образование (информационная безопасность, программная инженерия, computer science, data science);
• Опыт работы в проектах с ИИ/ML от 1 года или понимание специфики MLOps;
• Опыт работы с ML-платформами: Kubeflow, MLflow, Airflow, DVC, Weights & Biases, Label Studio;
• Практические знания в области безопасности LLM: prompt injection, insecure output handling, overreliance, insecure plugin design (OWASP LLM Top 10);
• Опыт написания политик безопасности для Kubernetes (OPA/Rego, Kyverno) в контексте ML-нагрузок;
• Знание специфики защиты моделей: model encryption, signing, secure enclaves, federated learning security;
• Наличие сертификатов: CISSP, OSCP, CompTIA Security+, CKA, AWS/Azure Security Specialty - будет преимуществом;
• Понимание требований регуляторов к ИИ-системам (в том числе подходов к explainability, bias, auditability).

• Комфортный офис в центре Москвы (15 минут от ст. Арбатская, Тверская, Баррикадная);

• Испытательный срок: 3 месяца;

• ДМС после прохождения испытательного срока;

• График работы: 5/2, с 9-00 до 18-00. Возможность 1 удаленного дня в неделю (кроме понедельника и пятницы).