Research Engineer Privacy and Anonymization

Lieu : San Francisco ou Singapour (présentiel), ou télétravail (zones horaires Singapour ou US Pacifique)
Date de début : Dès que possible
Langue : Anglais
Équipe : Ingénierie

Présentation du poste

Notre client est une entreprise d’intelligence artificielle en pleine expansion, spécialisée dans la création d’infrastructures fiables, équitables et ouvertes pour les données d’entraînement IA. Leur plateforme valorise les créateurs de données tout en fournissant aux laboratoires d’IA des données fiables pour leurs modèles. Déjà adoptée par des startups, des entreprises du Fortune 500 et des laboratoires de pointe, la société bénéficie du soutien d’investisseurs majeurs, dont Y Combinator, et connaît une croissance rapide pour répondre à une forte demande.

Nous recrutons un(e) Ingénieur Recherche en Confidentialité et Anonymisation chargé(e) de concevoir des systèmes garantissant la sécurité et l’utilité des données sensibles du monde réel pour l’entraînement IA. Vous développerez des méthodes pour détecter et supprimer les informations personnelles identifiables, secrets et autres contenus sensibles avant leur traitement et génération de données synthétiques, protégeant ainsi la vie privée tout en préservant la structure et la valeur des données.

Ce poste est centré sur l’ingénierie de la protection des données, non sur la conception de tâches synthétiques. Vous serez responsable du pipeline en amont des étapes de traitement, entraînement, évaluation et génération synthétique.

Poste à temps plein, à pourvoir immédiatement. Bureaux à San Francisco et Singapour ; le télétravail est possible si vos horaires couvrent environ 70 à 80 % des heures de bureau de San Francisco (heure Pacifique) ou Singapour. L’organisation quotidienne sera définie lors de l’embauche.

Vos missions

• Concevoir des systèmes pour détecter les données personnelles (PII), quasi-identifiants, identifiants d’accès et autres informations sensibles, et appliquer des transformations adaptées selon le type de données et l’usage en aval.
• Développer et comparer des méthodes de détection combinant règles, modèles statistiques, classificateurs et techniques basées sur les grands modèles de langage (LLM).
• Mettre en place des pipelines de production anonymisant les données brutes avant leur traitement, entraînement, évaluation ou génération synthétique.
• Créer des cadres d’évaluation mesurant les risques de confidentialité et la conservation de l’utilité des données, incluant des métriques pondérées par rappel, des tests de fuite et des tentatives d’identification adverses.
• Concevoir des systèmes robustes face à la diversité des sources de données, aux évolutions de schéma, aux formats atypiques et aux informations sensibles dissimulées dans des champs inattendus.
• Collaborer avec les équipes d’ingénierie, recherche, opérations et clients pour traduire les exigences de confidentialité en politiques techniques concrètes et protections efficaces.

Profil recherché

• Maîtrise avancée de python et expérience dans la création de systèmes fiables de traitement de données ou d’apprentissage automatique en production.
• Compétences en extraction d’information, reconnaissance d’entités nommées, classification ou méthodes similaires pour détecter des contenus rares ou sensibles.
• Esprit expérimental développé, capable d’évaluer les approches selon rappel, précision, latence, coût et utilité des données en aval.
• Bonne compréhension des différences entre rédaction, masquage, pseudonymisation, anonymisation et données synthétiques, et de leurs usages appropriés.
• Grande rigueur et capacité à anticiper les fuites subtiles, cas limites et modes d’échec adverses.
• Expérience dans la construction complète de pipelines de traitement de données, même sans feuille de route entièrement définie.
• Anglais écrit et oral clair, aisance pour collaborer avec des équipes réparties sur plusieurs fuseaux horaires.
• Un plus : expérience pratique des technologies de protection de la vie privée (privacy-enhancing technologies) comme la confidentialité différentielle, k-anonymat, agrégation sécurisée ou chiffrement préservant le format ; travail avec des données sensibles en santé, finance ou sécurité ; conception de systèmes ML à faible latence ou haute capacité ; passage de la recherche à la production.
• La motivation et la capacité d’apprentissage priment sur le nombre d’années d’expérience. Les candidats motivés sont encouragés à postuler même s’ils ne remplissent pas tous les critères.

Pourquoi ce poste est fait pour vous

• Rendre les données sensibles exploitables en toute sécurité : Vous développerez les systèmes qui permettent d’utiliser des données confidentielles pour l’entraînement IA sans compromettre la vie privée.
• Protéger la confidentialité sans sacrifier l’utilité : Votre mission dépasse la simple suppression d’informations, en préservant la structure et les signaux essentiels pour les traitements en aval.
• De la détection à la production : Vous piloterez l’ensemble du processus : méthodes de détection, transformations, évaluation et pipeline en amont de l’entraînement et de la génération.
• Relever des défis complexes et critiques : Vous travaillerez sur des cas limites, la dérive des schémas et les modes d’échec adverses, bien au-delà des jeux de données standards.
• Flexibilité géographique : Intégrez les bureaux de San Francisco ou Singapour, ou travaillez à distance avec un chevauchement horaire important avec ces fuseaux. L’organisation sera définie ensemble.

Pragmatike est un employeur garantissant l’égalité des chances, engagé à offrir un recrutement inclusif sans discrimination. Nous recrutons pour le compte de nos clients en respectant toutes les lois anti-discrimination fédérales, étatiques et locales. Cette politique couvre tous les aspects de l’emploi : recrutement, embauche, promotion, licenciement, congés, rémunération et formation. Nous assurons la confidentialité de vos données personnelles, utilisées uniquement dans le cadre du recrutement, avec des mesures de protection adaptées. Vos informations pourront être partagées avec nos clients pour évaluation, mais ne seront pas divulguées à des tiers extérieurs au processus.