Технический сооснователь (CTO) / Руководитель математического ядра

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]