СберЗдоровье

Специалист по кибербезопасности AI/LLM-решений

3 нед. назад

RussiaMiddleHybrid

security reviewthreat modelingkubectlrbacsecretsnetwork policyrate limitingaudit

Специалист по кибербезопасности AI/LLM-решений с опытом 2+ лет. Работа в гибридном формате в Москве в компании СберЗдоровье.

Обязанности

Проводить security review AI/LLM-решений: LLM-приложений, AI-агентов, RAG, векторных БД, интеграций с внешними API и облачными LLM
Участвовать в threat modeling AI-решений: prompt injection, jailbreak, утечки данных, небезопасные tool calls, избыточные привилегии AI-агента, RAG/data poisoning
Проверять наличие и корректность защитных механизмов: guardrails, фильтры персональных данных, ограничения длины prompt/response, rate limiting, валидация ответов, контроль вызовов tools
Оценивать безопасность работы с данными: персональные данные, конфиденциальная информация, источники данных для RAG, embeddings, индексы векторных БД
Проверять, что AI-агенты работают по принципу минимально необходимых привилегий и не выполняют чувствительные операции без ручного подтверждения
Проверять изоляцию пользовательских сессий, контекстов и памяти AI-решений
Участвовать в проверке безопасности локального запуска LLM в Kubernetes: контейнеры, RBAC, secrets, network policies, ingress, resource limits
Формировать требования к логированию, аудиту и трассировке AI-решений: trace ID, логи prompt/response, вызовы модели, вызовы tools, действия AI-агента
Разрабатывать тестовые сценарии для проверки AI-решений на prompt injection, утечки данных, обход ограничений и небезопасное поведение агента
Помогать командам разработки и эксплуатации безопасно использовать локальные и облачные LLM

Требования

Опыт в кибербезопасности от 2–3 лет в одной или нескольких областях: Application Security, DevSecOps, Cloud Security, Kubernetes Security, API Security, Product Security
Понимание принципов security review, threat modeling и безопасной разработки
Понимание web/API-безопасности: аутентификация, авторизация, OAuth2/OIDC, SAML, JWT, RBAC, service-to-service-взаимодействие
Базовое понимание AI/LLM-стека: LLM, prompt, system prompt, context window, embeddings, RAG, vector database, AI-agent, agent memory, tools/function calling
Понимание основных рисков LLM-приложений: prompt injection, indirect prompt injection, jailbreak, утечка чувствительных данных, раскрытие system prompt, небезопасная обработка ответа модели, excessive agency
Понимание особенностей безопасности RAG и векторных БД: например, Milvus, Qdrant, Weaviate, pgvector, Chroma, Elasticsearch/OpenSearch vector search
Понимание рисков работы с персональными и конфиденциальными данными при использовании локальных и облачных LLM
Базовое понимание Kubernetes и контейнерной безопасности: secrets, service account, RBAC, network policy, resource limits
Умение формулировать понятные и проверяемые требования безопасности для продуктовых команд

Условия

Гибрид