Інженер безпеки ШІ

Menlo Security є лідером із безпеки веб-переглядачів для персоналу та агентів. Наша місія полягає в тому, щоб дозволити людям і агентам безпечно підключатися, спілкуватися та співпрацювати без компромісів. Платформа безпеки браузера Menlo захищає організації від кібератак, зупиняючи загрози в Інтернеті, документах і електронній пошті, перш ніж вони досягнуть користувача. Завдяки Menlo Agent Runtime Security (MARS) цей захист тепер поширюється на агентів штучного інтелекту, які працюють разом із кожним співробітником. Menlo Security користується довірою великих світових компаній, у тому числі компаній зі списку Fortune 500 та державних установ, для захисту їх найцінніших активів, їхніх даних, і підтримується інвесторами вищого рівня.
Ми шукаємо інженера з оцінки даних і штучного інтелекту / машинного навчання, який би володів основою збору даних, видобутку даних, контролю та безперервної оцінки для наших різноманітних продуктів безпеки штучного інтелекту. Високоякісні моделі вимагають високоякісних наборів даних і постійного збагачення та перенавчання. На цій посаді ви створюватимете автоматизовані конвеєри прийому даних із сурогатного веб-трафіку та відкритих джерел, керуватимете підготовкою наборів даних, робочими процесами маркування, навчатимете моделі та керуватимете нашими системами тестування та оцінки. Це роль розробника програмного забезпечення для даних і ШІ/ML, зосереджена на розбудові інфраструктури даних, яка навчає наші власні SLM Prompt Injection, моделі виявлення тіньового штучного інтелекту, класифікатори шкідливих макросів, ідентифікаційну інформацію, механізми класифікації вмісту тощо.
Результати та KPI Ключові результати:

• Автоматизоване безперервне створення та контроль наборів даних для навчання, оцінки та хибно-позитивних (FP) даних на веб-, файлових і макро-загрозах.

• Стандартизовані, відтворювані тести оцінки, які спрямовують удосконалення моделі перед розгортанням.

• Автоматизований час безвідмовної роботи конвеєра даних і пропускна спроможність прийому з веб-джерел/файлів.

• Розмір, різноманітність і точність маркування сховищ даних про загрози (PI, Shadow-AI, PII, Macros).

• Середній час введення живого хибнопозитивного/хибнонегативного зворотного зв’язку в цикли оцінювання навчання.

• Точність і контрольне охоплення між історичними та нещодавно навченими SLM.

Що ви зробите

• Розробляйте та керуйте конвеєрами автоматизованого збору даних, видобутку та веб-збирання для збору зразків загроз із сурогатного трафіку та веб-джерел.

• Створення робочих процесів обробки даних, анотацій і контролю наборів даних, навчання та перенавчання різних моделей, напр. Швидке впровадження (PI) SLM, моделі виявлення Shadow-AI, класифікатори зловмисних макросів і виявлення ідентифікаційної інформації.

• Створюйте механізми для захоплення хибнопозитивних (FP) зразків із живих потоків користувачів/DDR та представляйте/інтегруйте їх у конвеєри перенавчання моделі.

• Розробити автоматизовані системи порівняльного аналізу та оцінки для безперервного тестування якості виявлення моделі, продуктивності та точності порівняно з базовими моделями (наприклад, Vertex AI).

• Створення автоматизованих конвеєрів для навчання моделі для різних моделей.

• Тісно співпрацюйте з дослідницькими групами та командами розробників програмного забезпечення, щоб перетворити необроблену телеметрію виявлення на постійні ефективні вдосконалення моделі.

обов'язково:

• 2–4 роки досвіду в розробці програмного забезпечення, інженерії даних або автоматизованому забезпеченні якості/оцінці.

• Хороші навички програмування на Python. Adv: C++, SQL.

• Досвід навчання моделі та різних алгоритмів ML, AI.

• Досвід створення конвеєрів даних, веб-скребків або автоматизованих систем обробки даних.

• Знайомство зі структурами даних, форматами зберігання та конфігураціями бази даних.

• Методичний підхід до маркування набору даних, перевірки, реєстрації помилок і відстеження показників.

Бажано / приємно мати:

• Практичний досвід роботи зі структурами оцінки ML, інструментами контролю набору даних або анотацій.

• Знайомство з методами вилучення тексту, попередньої обробки NLP або аналізу документів.

• Розуміння концепцій кібербезпеки (швидке впровадження, шкідливі макроси, DLP/PII).

• Базовий досвід роботи з хмарним сховищем, сховищами об’єктів і базовою контейнеризацією (Docker).

• Досвід роботи з AWS, GCP, Terraform, Kubernetes і Linux.

Слідкуйте за нами в LinkedIn!
Чому Менло?
У Menlo ми не погоджуємося на статус-кво — у наших технологіях чи культурі. Те, як ми думаємо та діємо, так само важливо, як і те, що ми будуємо. Наша культура визначається п’ятьма основними установками: проактивне лідерство, пряма розмова, об’єднаний вплив, піднесений талант і орієнтація на клієнта. Ми беремо на себе відповідальність і досягаємо результатів, не чекаючи, коли нам скажуть. Ми спілкуємось безпосередньо та шукаємо суворої правди. Ми руйнуємо силоси та перемагаємо разом. Ми тримаємо високу планку для себе та людей навколо нас. І ми розглядаємо кожну взаємодію з клієнтом як критично важливу. Якщо ви це бачите, володієте цим, вирішуєте та виконуєте — ви тут процвітатимете.
Усі кваліфіковані заявники отримають винагороду за працевлаштування незалежно від раси, статі, кольору шкіри, релігії, сексуальної орієнтації, гендерної ідентичності, національного походження, захищеного статусу ветерана або на підставі інвалідності.
ДО ВСІХ АГЕНТСТВ: Будь ласка, не телефонуйте та не надсилайте електронних листів працівникам Menlo Security поза межами організації Talent. Політика Menlo Security полягає в тому, щоб приймати резюме лише від агентств через Ashby (ATS). Агентства повинні мати дійсну угоду про надання послуг і бути призначеними командою талантів для конкретного запиту. Будь-яке резюме, подане поза цим процесом, вважатиметься виключною власністю Menlo Security. У разі найму кандидата, поданого поза цією політикою, гонорар або оплата не буде сплачена.
Знайдіть більше англомовних вакансій у Великобританії на Arbeitnow

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