Cargando proyectos…
Cargando proyectos…
Este proyecto busca un especialista en seguridad de datos para validar y clasificar escenarios realistas de protección de pérdida de datos (DLP) en infraestructuras modernas. El rol implica evaluar casos de seguridad en entornos cloud y SaaS, asignar niveles de sensibilidad a datos y garantizar que los etiquetados cumplan con estándares de clasificación, generando conjuntos de datos de entrenamiento para modelos de inteligencia artificial. Los entregables típicos incluyen análisis de casos de uso, documentación de clasificaciones y validación de cumplimiento normativo. El candidato ideal domina herramientas DLP consolidadas, marcos de clasificación de datos y regulaciones como GDPR, HIPAA y CCPA. La estructura horaria flexible (10-40 horas semanales) y el presupuesto moderado sugieren un alcance acotado, posiblemente piloto o fase inicial de un proyecto mayor.
Contrato por hora flexible (10-40h/semana) con Alignerr. Analiza escenarios realistas de seguridad de datos y DLP en entornos cloud, SaaS y enterprise. Clasifica niveles de sensibilidad de datos, valida casos de seguridad y etiquetados para entrenar modelos de IA. Requiere 2+ años en data security, compliance o información security. Familiaridad con herramientas DLP, frameworks de clasificación de datos, y conceptos de privacidad/regulación (GDPR, HIPAA, CCPA). Trabajo 100% remoto y flexible.
Se requieren mínimo 2 años trabajando en seguridad de datos, cumplimiento normativo o información security. Es fundamental tener familiaridad práctica con herramientas DLP y conocimiento demostrado en clasificación de datos y regulaciones como GDPR, HIPAA o CCPA.
El contrato es flexible entre 10 y 40 horas semanales. Esto permite adaptar tu participación según disponibilidad, con una duración estimada de 12 semanas para completar los entregables.
Analizarás escenarios reales de seguridad en entornos cloud y SaaS, evaluarás niveles de sensibilidad de la información, validarás etiquetados correctos y documentarás hallazgos para generar datos de entrenamiento de modelos de IA.
