улица Дзержинского 187
Специализация: Математическое моделирование, Машинное обучение, Поведенческий ИИ, Байесовские сети
Формат работы: Удаленно / Гибрид / Москва
Занятость: Партнерство (equity 20–40%), на этапе прототипа — частичная занятость (project-based)
О ПРОЕКТЕ
Мы разрабатываем психометрическую платформу для построения точных поведенческих профилей и анализа цифровых двойников личности. В основе проекта — готовая математическая методология, которая требует технической реализации. Это не очередной «сервис по тестам», а глубокая инфраструктурная платформа для исследований и B2B-аналитики.
Техническая суть:
· Профилирование: Построение многомерного профиля личности по N ортогональным осям.
· Анализ конгруэнтности: Расчет коэффициента C, измеряющего рассогласование между вербальными декларациями и поведенческими паттернами (концепция «Темного леса»).
· Кластеризация: Отнесение профилей к 24 архетипическим моделям.
· Инфраструктура: Сбор и preprocessing поведенческих данных через игровой клиент (ветвящиеся сценарии) для обучения предиктивных моделей.
Стадия: Pre-seed. Есть математическая модель, методология и понимание рынка.
Горизонт планирования: 5–7 лет.
МЫ ИЩЕМ
Технического лидера и партнера, который способен не просто написать код, а выстроить сложную математическую систему с нуля. Нам нужен человек, который горит идеей создания ИИ, понимающего человека глубже его самого, и готов разделить с нами этот долгий путь.
ЗАДАЧИ, КОТОРЫЕ ПРЕДСТОИТ РЕШАТЬ
1. Архитектура и разработка ядра платформы
· Проектирование высоконагруженной платформы (бэкенд, ML-слой, клиентская часть) с фокусом на масштабируемость и отказоустойчивость.
· Выбор стека технологий и инфраструктуры, управление разработкой.
2. Реализация математического ядра
· Разработка алгоритмов для расчета коэффициента конгруэнтности C в реальном времени.
· Построение байесовских сетей для оценки вероятностных связей между осями профиля.
· Реализация кластеризации в 24-мерном пространстве архетипов.
· Решение проблемы коррелированных признаков (r > 0.3) без потери семантической интерпретируемости.
3. Разработка ML-слоя
· Создание моделей для предсказания переходов между архетипическими состояниями.
· Обучение моделей на поведенческих данных, исследование применимости Federated Learning.
· Внедрение практик Explainable AI (XAI) для валидации решений модели.
4. Интеграция и сбор данных
· Проектирование API для интеграции с клиентской частью (игровой движок).
· Разработка системы сбора, валидации и preprocessing поведенческих данных.
5. Безопасность и регуляторика
· Обеспечение соответствия требованиям 152-ФЗ и GDPR с самого начала разработки.
· Внедрение шифрования данных, систем consent management.
· Встраивание механизмов защиты от bias и манипулятивных алгоритмов.
6. Научная и грантовая деятельность
· Соавторство в научных публикациях (Scopus / ВАК) по мере валидации модели.
· Активное участие в подготовке заявок на гранты (РНФ, Фонд содействия инновациям и др.).
ПОРТРЕТ ИДЕАЛЬНОГО КАНДИДАТА
Критически важно (Обязательно):
· Образование: Матфак / МФТИ / ВШЭ / Сколтех / МГУ или эквивалентное фундаментальное математическое образование.
· Опыт: От 5+ лет в разработке, из них от 2+ лет в Data Science / ML, включая вывод моделей в продакшн.
· Математика: Глубокое понимание линейной алгебры (SVD, PCA, работа с собственными векторами), байесовских методов, теории вероятностей и матстатистики.
· Разработка на Python (8+ лет): Асинхронное программирование (FastAPI / asyncio), опыт проектирования архитектуры сложных систем.
· ML-стек: PyTorch / TensorFlow, scikit-learn, NumPy, Pandas.
· Базы данных: Опыт проектирования схем PostgreSQL (включая работу с векторами), Redis, понимание принципов работы с очередями (RabbitMQ / Kafka).
· Английский: Уровень B2+ для чтения научной литературы и технической документации.
Желательно (Будет большим плюсом):
· Психометрика: Знакомство с IRT, теорией валидности тестов, факторным анализом.
· Продвинутые методы: Опыт работы с графовыми нейросетями (GNN, NetworkX) или байесовским моделированием (PyMC, Stan).
· Безопасность: Понимание основ информационной безопасности (шифрование, Vault, OWASP top 10).
· Геймдев: Опыт интеграции с игровыми движками (Unity / Phaser.js).
· Научная деятельность: Наличие публикаций в рецензируемых журналах.
· Этика ИИ: Понимание проблем fairness, bias detection и XAI.
ПРОЦЕСС ОТБОРА (ОНЛАЙН)
1. Отклик: Мотивационное письмо + ссылка на портфолио/GitHub + ответы на 3 вопроса ниже.
2. Техническое интервью: Обсуждение архитектуры и математической части с основателем.
3. Этическое интервью: Обсуждение границ применения технологии и сложных сценариев.
4. Пилотная задача: Короткое практическое задание (например, реализация прототипа расчета коэффициента C на синтетических данных) для сверки подхода.
5. Взаимное решение: Встреча для подведения итогов и обсуждения дальнейших шагов.
ТРИ ВОПРОСА ВМЕСТО СОПРОВОДИТЕЛЬНОГО ПИСЬМА
Если вы дочитали до конца и чувствуете, что это ваш вызов, ответьте, пожалуйста, на эти вопросы в отклике. Это поможет нам сэкономить время друг друга и сразу перейти к сути.
1. Математика: Предположим, эмпирическая корреляция между двумя ортогональными по замыслу осями профиля составила r = 0.4. Как модифицировать расчет итогового коэффициента конгруэнтности C, чтобы избежать двойного учета дисперсии, но сохранить интерпретируемость результата для психолога?
2. Смысл: В ходе анализа 70% пользователей устойчиво попадают в кластер «Темный лес» (высокий уровень внутренних противоречий, C < 0.45). Какими будут ваши первые гипотезы и действия? Это баг модели, особенности выборки или содержательный результат?
3. Опыт: Опишите случай из вашей практики, когда вам пришлось реализовать в продакшене нетривиальную математическую модель. С какими неожиданными трудностями вы столкнулись (численные методы, скорость, интерпретация) и как их решили?
Отклик: [Ваш email или Telegram]
