Yapay Zeka Güvenlik Mühendisi

Menlo Security, insan ve temsilci iş gücü için Tarayıcı Güvenliğinde liderdir. Misyonumuz, insanların ve aracıların ödün vermeden güvenli bir şekilde bağlantı kurmasını, iletişim kurmasını ve işbirliği yapmasını sağlamaktır. Menlo Tarayıcı Güvenlik Platformu, web, belgeler ve e-postadaki tehditleri kullanıcıya ulaşmadan durdurarak kuruluşları siber saldırılara karşı korur. Menlo Agent Runtime Security (MARS) ile bu koruma artık her çalışanın yanında çalışan yapay zeka temsilcilerini de kapsayacak şekilde genişletiliyor. Menlo Security, Fortune 500 şirketleri ve devlet kurumları da dahil olmak üzere büyük küresel işletmelerin en değerli varlıkları olan verilerini korumaları konusunda güvenmektedir ve üst düzey yatırımcılar tarafından desteklenmektedir.
Çeşitli AI güvenlik ürünlerimiz için veri toplama, madencilik, iyileştirme ve sürekli değerlendirme temeline sahip olacak bir Veri ve AI / ML Değerlendirme Mühendisi arıyoruz. Yüksek kaliteli modeller, yüksek kaliteli veri kümeleri ile sürekli zenginleştirme ve yeniden eğitim gerektirir. Bu rolde, vekil web trafiğinden ve açık kaynaklardan otomatik veri alma işlem hatları oluşturacak, veri kümesi iyileştirmeyi, etiketleme iş akışlarını, model eğitimini yönetecek ve kıyaslama ve değerlendirme donanımlarımızı çalıştıracaksınız. Bu, tescilli Prompt Injection SLM'lerimizi, Shadow-AI algılama modellerimizi, Kötü Amaçlı Makro sınıflandırıcılarımızı, PII'mızı, İçerik Sınıflandırma motorlarımızı ve daha fazlasını eğiten veri altyapısını oluşturmaya odaklanan bir veri ve AI / ML yazılım mühendisliği rolüdür.
Sonuçlar ve Temel Performans Göstergeleri Sahip olunan Temel Sonuç(lar):

• Web, dosya ve makro tehdit yüzeylerinde eğitim, değerlendirme ve yanlış pozitif (FP) veri kümelerinin otomatik, sürekli oluşturulması ve iyileştirilmesi.

• Dağıtımdan önce model iyileştirmelerine rehberlik eden standartlaştırılmış, tekrarlanabilir değerlendirme kriterleri.

• Otomatik veri hattı çalışma süresi ve web/dosya kaynaklarından alım verimi.

• Tehdit veri kümesi depolarının (PI, Shadow-AI, PII, Makrolar) boyutu, çeşitliliği ve etiketleme doğruluğu.

• Canlı yanlış pozitif/yanlış negatif geri bildirimin eğitim değerlendirme döngülerine alınması için ortalama süre.

• Geçmiş ve yeni eğitilmiş SLM'ler arasında doğruluk ve kıyaslama kapsamı.

Ne yapacaksın

• Yedek trafikten ve web kaynaklarından tehdit örnekleri toplamak için otomatik veri toplama, madencilik ve web kazıma hatları tasarlayın ve çalıştırın.

• Veri işleme, açıklama ekleme ve veri kümesi iyileştirme iş akışları oluşturun, çeşitli modelleri eğitin ve yeniden eğitin, ör. İstemi Enjeksiyon (PI) SLM'leri, Shadow-AI algılama modelleri, Kötü Amaçlı Makro sınıflandırıcıları ve PII algılama.

• Canlı kullanıcı/DDR akışlarından yanlış pozitif (FP) örnekleri yakalamak için mekanizmalar oluşturun ve bunları model yeniden eğitim hatlarına temsil edin/entegre edin.

• Model tespit kalitesini, çalışma zamanı performansını ve temel modellere (örn. Vertex AI) göre doğruluğunu sürekli olarak test etmek için otomatik kıyaslama ve değerlendirme donanımları geliştirin.

• Çeşitli modeller için model eğitimi için otomatik işlem hatları oluşturun.

• Ham tespit telemetrisini devam eden eyleme dönüştürülebilir model iyileştirmelerine dönüştürmek için araştırma ve yazılım mühendisliği ekipleriyle yakın işbirliği içinde çalışın.

Gerekli:

• Yazılım mühendisliği, veri mühendisliği veya otomatik QA/değerlendirme rollerinde 2-4 yıllık deneyim.

• Python'da güçlü programlama yeterliliği. Adv: C++, SQL.

• Model eğitimi ve çeşitli ML, AI algoritmaları konusunda deneyim.

• Veri hatları, web kazıyıcılar veya otomatik veri işleme sistemleri oluşturma deneyimini yaşayın.

• Veri yapıları, depolama formatları ve veritabanı konfigürasyonlarına aşinalık.

• Veri kümesi etiketleme, doğrulama, hata günlüğü tutma ve ölçüm takibine metodik yaklaşım.

Tercih Edilen / Sahip Olunması Güzel:

• Makine öğrenimi değerlendirme çerçeveleri, veri kümesi iyileştirme veya açıklama araçlarıyla ilgili uygulamalı deneyim.

• Metin çıkarma, NLP ön işleme veya belge ayrıştırma tekniklerine aşinalık.

• Siber güvenlik kavramlarının anlaşılması (Prompt Injection, Kötü Amaçlı Makrolar, DLP/PII).

• Bulut depolama, nesne depoları ve temel konteynerleştirme (Docker) ile ilgili temel deneyim.

• AWS, GCP, Terraform, Kubernetes ve Linux deneyimi.

Bizi LinkedIn'de takip edin!
Neden Menlo?
Menlo'da teknolojimizde veya kültürümüzdeki mevcut durumla yetinmiyoruz. Nasıl düşündüğümüz ve nasıl davrandığımız, ne inşa ettiğimiz kadar önemlidir. Kültürümüz beş temel zihniyet tarafından tanımlanmaktadır: Proaktif Liderlik, Doğrudan Konuşma, Birleşik Etki, Yükseltilmiş Yetenek ve Müşteri Odaklılık. Sahiplenmeyi üstleniyoruz ve söylenmesini beklemeden sonuçları yönlendiriyoruz. Doğrudan iletişim kurarız ve katı gerçekleri ararız. Siloları yıkıp birlikte kazanıyoruz. Kendimiz ve çevremizdeki insanlar için çıtayı yüksek tutuyoruz. Ve her müşteri etkileşimini kritik görev olarak ele alıyoruz. Eğer bunu gören, sahiplenen, çözen ve yapan biriyseniz burada başarılı olursunuz.
Nitelikli tüm başvuru sahipleri, ırk, cinsiyet, renk, din, cinsel yönelim, cinsel kimlik, ulusal köken, korunan gazi statüsü veya engellilik esasına bakılmaksızın istihdam için değerlendirilecektir.
TÜM AJANSLARA: Lütfen Yetenek organizasyonu dışındaki hiçbir Menlo Güvenlik çalışanına telefon görüşmesi veya e-posta göndermeyin. Menlo Security'nin politikası, yalnızca Ashby (ATS) aracılığıyla ajanslardan gelen özgeçmişleri kabul etmektir. Ajansların geçerli bir hizmet sözleşmesi imzalamış olması ve Yetenek ekibi tarafından belirli bir talebe atanmış olması gerekir. Bu sürecin dışında gönderilen herhangi bir özgeçmiş Menlo Security'nin yegane mülkiyeti olarak kabul edilecektir. Bu politika dışında başvuran adayın işe alınması durumunda herhangi bir ücret veya ödeme yapılmayacaktır.
Arbeitnow'da Birleşik Krallık'ta daha fazla İngilizce Konuşma İşi bul

Kaynak: Arbeitnow (https://www.arbeitnow.co.uk/jobs/companies/menlosecurity/ai-security-engineer-bracknell-300427)