Ведущий инженер по информационной безопасности
Описание
Привет! Это команда безопасности платформы. Мы ищем инженера, который будет участвовать в направление безопасности систем на базе искусственного интеллекта. В компании быстро растёт число ML- и LLM-сервисов: инференс, RAG-пайплайны, ассистенты, агенты с доступом к внутренним инструментам. Вам будет необходимо проводить аудиты всех этих решений, участвовать в проектировании архитектуры и безопасного доступа для систем с LLM/ML. Вы будете Проводить аудиты безопасности ML/LLM-систем: инференс-сервисы, RAG-пайплайны, агенты с доступом к инструментам, MCP-серверы, ML-платформа и её артефакты (модели, датасеты, фичестор). Ломать системы на базе ИИ: прямой и косвенный prompt injection, джейлбрейки, эксфильтрация системных промптов и данных, злоупотребление tool calling, выход агента за границы разрешённого, отравление данных и моделей, атаки на цепочку поставки (веса, pickle, кастомные операторы, сторонние модели). Развивать DAST под AI-эндпоинты: харнесс и сканер для LLM-интерфейсов, автоматизированные наборы атак, регрессионное тестирование моделей и защитных механизмов, встраивание проверок в CI/CD. Проверять эффективность защитных механизмов (гарды входа и выхода, фильтры, лимиты, изоляция инструментов и данных) и формировать обоснованные требования к ним. Формировать стандарты безопасной разработки AI-сервисов: модели угроз, чек-листы ревью, требования к правам агентов, работе с секретами и изоляции окружений. Разрабатывать автоматизацию и инструментарий на Python или Go, интегрировать его с существующими системами (ASOC, Jira, CI/CD, SIEM). Участвовать (около 20% времени) в проектах команды по безопасности приложений. Работать в тесном контакте с командами ML-платформы, разработки и инфраструктурной безопасности. Нам важно Знание основных уязвимостей веб-приложений и API (OWASP Top 10) на уровне, достаточном, чтобы находить и объяснять их. Понимание ML в целом: как модели обучаются, валидируются и попадают в прод, из чего состоит ML-пайплайн (данные, обучение, хранение и сериализация весов, реестр моделей, инференс). Практическое понимание LLM: инференс, RAG, агентные архитектуры, tool calling, опыт работы с API моделей и промпт-инжинирингом. Представление о специфических рисках AI-систем: prompt injection, отравление данных, атаки на цепочку поставки моделей. Базовое понимание ОС, сетей, контейнеров и Kubernetes. Самостоятельность и готовность работать в области без устоявшихся методологий и создавать их. Будет плюсом Опыт в ML-разработке или MLOps. Опыт с инференс-стеком (Triton, vLLM, TGI), MLflow или Kubeflow, реестрами моделей. Коммерческий опыт пентестов или аудитов безопасности приложений. Знакомство с MCP и фреймворками агентных систем (LangGraph, LangChain, CrewAI и аналоги). Опыт разработки гардов и фильтров для LLM-трафика. Публичные исследования, CVE, доклады, участие в AI red teaming или в программах bug bounty по LLM.