- Страна
- Россия
- Зарплата
- от 350 000 ₽
Откликайтесь
на вакансии с ИИ
Data Scientist (Audio / Антидипфейк)
Оценка ИИСильный бренд работодателя, конкурентная зарплата от 350к и работа над социально значимым и технологически сложным проектом делают вакансию крайне привлекательной.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена узкой специализацией в области Audio Deep Learning и требованием опыта работы от 3 лет с современными архитектурами нейросетей.
Анализ зарплаты
Оценка ИИПредложенная зарплата от 350 000 ₽ соответствует верхнему сегменту рынка для Senior Data Scientist в Москве, особенно в такой узкой нише, как Audio DL.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Сбербанк уже сейчас
Присоединяйтесь к команде Сбера и создавайте передовые технологии защиты от дипфейков уже сегодня!
Описание вакансии
*💡 Data Scientist (Audio / Антидипфейк)*от 350 000 ₽
Гибрид (Москва)
Сбербанк — крупнейший банк в России, Центральной и Восточной Европе, один из ведущих международных финансовых институтов. Самый дорогой российский бренд и самый сильный банковский бренд в мире по версии Brand Finance.
Требования:— Опыт работы в Data Science от 3 лет.
— Опыт работы с Deep Learning в Аудио и других областях, опыт использования современных архитектур нейронок в Audio/CV.
— Владение различными методами обучения нейронных сетей: Incremental learning, Self-Supervised Learning и т.п.
— Понимание подходов к формированию фичей для анализа аудиоданных: Фурье-разложение, Мел-спектрограммы, Вейвлет-преобразование и прочее.
— Понимание современных end-to-end подходов к формированию аудио фичей.
— Свободное владение PyTorch.
*➡️*Откликнуться
*📍 Навигация:[База знаний](https://t.me/pyproglib) • [Задачи](https://t.me/py_problems_lib) •* Собеседования
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- PyTorch
- Computer Vision
- Deep Learning
- Audio Processing
- Self-Supervised Learning
- Fourier Transform
- Incremental Learning
- Wavelet Transform
Возможные вопросы на собеседовании
Проверка фундаментальных знаний обработки сигналов, необходимых для работы с аудио.
В чем разница между преобразованием Фурье и вейвлет-преобразованием при анализе аудиосигналов?
Оценка практического опыта работы с современными методами обучения.
Расскажите о вашем опыте применения Self-Supervised Learning в задачах обработки звука. Какие архитектуры вы использовали?
Проверка понимания специфики проекта (антидипфейк).
Какие артефакты в аудиосигнале чаще всего выдают синтезированную речь (дипфейк)?
Оценка навыков работы с основным фреймворком.
Как реализовать кастомный слой для обработки спектрограмм в PyTorch с учетом оптимизации производительности?
Проверка умения работать с данными в условиях их дефицита или специфичности.
Как вы подходите к проблеме Incremental learning, если модель должна дообучаться на новых типах атак без потери качества на старых?
Похожие вакансии
Аналитик/MLE в команду эффективности
Data Scientist
Data Engineer / DataOps Engineer
Аналитик / MLE (Middle/Senior/Staff) в команду эффективности
Data Scientist Middle
Data инженер (Middle+)
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!