Senior Data Scientist

О позиции

ExtraHop Networks создаёт решения Network Detection and Response (NDR), которые помогают организациям обнаруживать и предотвращать киберугрозы в режиме реального времени. Мы защищаем инфраструктуру, на которой работают бизнесы и сообщества, обеспечивая целостность сетей, данных и систем. В команду data science нам нужен опытный специалист, который сможет перевести исследования в надёжные функциональные возможности нашей платформы RevealX. Это прикладная роль для тех, кто любит решать неоднозначные, высоковлияющие проблемы с помощью статистического анализа, экспериментов и машинного обучения.

Чем заниматься

• Анализ крупномасштабных сетевых телеметрии для выявления поведенческих паттернов, аномалий и сигналов вредоносной активности
• Проектирование, разработка и совершенствование методов машинного обучения и ИИ для продуктов компании
• Разработка метрик оценки для кибербезопасностных данных с учётом сильно несбалансированных наборов, неполных меток и редких событий
• Исследовательский анализ данных, feature engineering, разработка моделей и анализ ошибок на сложных высокообъёмных наборах данных
• Изучение emerging ML и AI технологий в контексте кибербезопасности и оценка их применимости к продуктам
• Установление метрик и стратегий мониторинга для измерения производительности моделей и детекторов во времени
• Коммуникация результатов, ограничений, компромиссов и рекомендаций техническим стейкхолдерам и лидерам продуктов
• Техническое лидерство и менторинг других data scientists через code reviews, дизайн-дискуссии и вклад в аналитические стандарты команды
• Документирование методологий, экспериментов, поведения моделей и результатов оценки
• Написание чистого, поддерживаемого и хорошо протестированного production-quality кода

Что ждут

• Бакалаврская степень в Data Science, Computer Science, Mathematics или количественной дисциплине, либо эквивалентный практический опыт
• 7+ лет профессионального опыта в data science, включая разработку и оценку ML моделей для real-world use cases
• Сильная основа в статистике, experimental design, machine learning и model evaluation
• Опыт работы с неполными, зашумлёнными или сильно несбалансированными данными; проведение detailed error analysis
• Высокая proficiency в Python и SQL, опыт с common data science и ML библиотеками
• Умение писать maintainable, tested и reviewable код
• Опыт коллаборации с software engineers для интеграции data science методов в production системы
• Отличные письменные и вербальные коммуникационные навыки, объяснение технических находок разным аудиториям

Будет плюсом

• Магистрская степень или Ph.D. в Data Science, Computer Science, Mathematics или количественной дисциплине
• Опыт применения data science или ML к кибербезопасности, fraud detection, anomaly detection, adversary domain
• Знакомство с Network Detection and Response, сетевыми протоколами, threat detection или incident investigation
• Опыт time-series analysis, anomaly detection, actuarial modeling, clustering, graph analytics, unsupervised и semi-supervised learning
• Оценка моделей в доменах, где positive examples редкие, labels неполные, поведение меняется со временем
• Опыт с generative AI, large language models, agentic systems или другими emerging AI техниками
• Знакомство с cloud платформами AWS или GCP

Условия

• Health, Dental и Vision Benefits
• Flexible PTO, Sick Time и федеральные праздники США + 3 дня Paid Volunteer Time
• Annual Discretionary Bonus Plan
• FSA и Dependent Care Accounts, EAP
• Educational Reimbursement
• 401k с Employer Match или Pension
• Pet Insurance и Parental Leave
• Hybrid и Remote Work Model

Навыки

• Python
• SQL
• Machine Learning
• Artificial Intelligence
• Data Analysis
• Statistical Analysis
• Experimental Design
• Feature Engineering
• Model Evaluation
• Network Security
• Cybersecurity
• Anomaly Detection
• Time-series Analysis
• Unsupervised Learning
• Semi-supervised Learning
• Graph Analytics
• Clustering
• Cloud Platforms
• AWS
• GCP
• Generative AI
• Large Language Models
• Agentic Systems

Могут спросить на собеседовании

1. Расскажите о проекте разработки ML модели для безопасности, с которым вы работали ранее: какую проблему решали и как оценивали результат?
2. Как вы справляетесь с strongly imbalanced datasets при обучении моделей детектирования аномалий? Какие техники используете?
3. Как бы вы спроектировали experiment для оценки новой модели обнаружения угроз? Какие metrics важны помимо accuracy?
4. Опишите ситуацию, когда модель давала много false positives. Как вы провели error analysis и какие выводы сделали?
5. Как вы обеспечиваете maintenance and monitoring производительности модели после её deployment в production?