In sintesi
- Mansioni: Sviluppa soluzioni ML avanzate per rilevare malware in ambienti Linux su larga scala.
- Azienda: Azienda tecnologica innovativa con un ambiente di lavoro remoto e collaborativo.
- Benefit: Lavoro completamente remoto, orari flessibili, 24 giorni di ferie pagate e supporto sanitario.
- Altre informazioni: Opportunità di crescita professionale e accesso a risorse tecniche dedicate.
- Perché questo lavoro: Lavora con dataset reali di malware e fai la differenza nella sicurezza informatica.
- Qualifiche: Esperienza in ML, competenze in modelli transformer e capacità di valutazione rigorosa.
La retribuzione prevista è compresa tra 63000 - 77000 € per anno.
Questa posizione è elencata per conto di un'azienda partner, che gestisce tutte le candidature e i passaggi successivi. Il nostro partner sta cercando un Senior ML Engineer - Malware Detection da remoto in Italia. Il Senior ML Engineer svilupperà e implementerà soluzioni avanzate di machine learning per rilevare malware basato sul web in ambienti di hosting Linux su larga scala. Lavorando con un ampio dataset di campioni di malware del mondo reale, decisioni degli analisti, regole di rilevamento e risultati di pulizia, trasformerai l'intelligenza di produzione in sistemi di sicurezza più accurati ed efficienti. Il tuo lavoro spazierà dal machine learning classico, ai modelli transformer, alla triage assistita da LLM e alla generazione automatizzata di firme. Sarai responsabile del percorso dai dati grezzi e dalla sperimentazione fino al deployment in produzione, con il successo misurato da reali miglioramenti nel rilevamento e tassi controllati di falsi positivi.
Collaborando a stretto contatto con analisti di malware, specialisti dell'infrastruttura e colleghi ingegneri ML, avrai accesso a risorse GPU dedicate e strumenti di sviluppo moderni assistiti dall'IA. Questa opportunità remota è ideale per un professionista ML esperto che prospera nell'esperimentazione, nella valutazione rigorosa e nella fornitura di un impatto misurabile sulla cybersecurity.
Responsabilità chiave:
- Sviluppo di modelli di machine learning: progettare, addestrare, ottimizzare e implementare modelli ML utilizzando dati di malware di produzione per migliorare la copertura di rilevamento e identificare minacce che i metodi tradizionali potrebbero perdere.
- Classificazione e triage del malware: sviluppare modelli che distinguono file dannosi da contenuti benigni, dare priorità ai file sospetti per un'ispezione più approfondita e instradare i campioni ai motori di rilevamento più appropriati.
- Generazione automatizzata di firme: costruire sistemi che generano firme di rilevamento da campagne di malware emergenti, aiutando gli analisti di sicurezza a rispondere più rapidamente a minacce nuove ed evolutive.
- Rilevamento delle minacce contestuali: sviluppare metodi per identificare contenuti dannosi che richiedono analisi contestuali, inclusi pagine di phishing, webshells, iniezioni di script e componenti di siti web compromessi.
- Ottimizzazione del rilevamento e della pulizia: migliorare la precisione del rilevamento e l'efficacia della pulizia affinché i siti web infetti rimangano puliti dopo la bonifica e le minacce ricorrenti possano essere identificate.
- Valutazione e validazione dei modelli: stabilire quadri di valutazione rigorosi utilizzando suddivisioni di dataset basate su tempo e campagna, casi storici di falsi positivi e negativi, e test di regressione per prevenire perdite di dati e verificare i miglioramenti prima del deployment.
- Ottimizzazione delle risorse e dell'inferenza: ottimizzare il throughput del modello, la latenza, l'uso della CPU, il consumo di memoria e il costo per file per supportare il deployment affidabile su grandi flotte di hosting.
- Deployment e monitoraggio in produzione: spostare i modelli dall'esperimentazione alla produzione, utilizzando deployment shadow e rilasci controllati per raccogliere prove prima di abilitare il rilevamento dal vivo.
- Apprendimento continuo e riaddestramento: incorporare feedback freschi degli analisti e nuovi falsi negativi nei dataset di addestramento, stabilire cicli di riaddestramento regolari e monitorare le tendenze nei tassi di rilevamento e nelle prestazioni del modello.
- Infrastruttura ML e sperimentazione: sviluppare pipeline di addestramento riutilizzabili, mantenere strumenti per i dataset, fare un uso efficace delle risorse GPU e abilitare più sforzi di ricerca e sviluppo paralleli.
- Collaborazione cross-funzionale: lavorare a stretto contatto con analisti di malware, ingegneri di rilevamento e team di infrastruttura per indagare su fallimenti di rilevamento segnalati dai clienti, comprendere minacce emergenti e tradurre scoperte operative in miglioramenti del modello.
- Documentazione tecnica e condivisione della conoscenza: documentare decisioni architettoniche, metodi di valutazione, limitazioni del modello, requisiti hardware e risultati di produzione. Partecipare a collaborazioni asincrone e post-mortem senza colpe per migliorare continuamente le pratiche ingegneristiche.
- Consegna rispetto ai traguardi: addestrare e valutare un modello iniziale di dati di produzione durante il primo mese, portare più modelli in produzione o in testing shadow entro il terzo mese e contribuire a stabilire l'ML come una fonte principale di nuove rilevazioni entro il primo anno.
Requisiti:
Il candidato ideale combina una sostanziale esperienza in ML di produzione con competenze pratiche sui transformer, una forte disciplina di valutazione e la capacità di ingegnerizzare modelli efficienti per ambienti di sicurezza avversari. Dovresti sentirti a tuo agio nel prendere decisioni basate su prove, comunicare in modo asincrono e assumerti la responsabilità dell'intero ciclo di vita dell'ML. Le qualifiche chiave includono:
- Esperienza in ML di produzione: almeno cinque anni di esperienza nella costruzione e implementazione di sistemi di machine learning in produzione, inclusi almeno due anni in un dominio avversario come la cybersecurity, frodi, spam o prevenzione degli abusi.
- Competenza nei modelli transformer: esperienza pratica nell'addestramento e nell'ottimizzazione di modelli transformer, inclusa la preparazione dei dati, la tokenizzazione del codice, LoRA/QLoRA o fine-tuning completo, distillazione e quantizzazione. L'esperienza dovrebbe estendersi oltre la semplice chiamata alle API di modelli ospitati.
- Machine Learning classico: forte comprensione del gradient boosting, modelli lineari con caratteristiche sparse, calibrazione della probabilità , squilibrio di classe e la capacità di determinare quando i metodi ML tradizionali superano gli approcci basati su LLM.
- Valutazione rigorosa dei modelli: esperienza nella progettazione di suddivisioni senza perdite temporali e per famiglia di malware, valutando la precisione sotto vincoli fissi di falsi positivi, mantenendo dataset di regressione e comprendendo le limitazioni della valutazione offline quando si prevede la performance in produzione.
- Ottimizzazione dell'inferenza e dei costi: dimostrata capacità di misurare throughput e latenza e ottimizzare i modelli per vincoli di CPU, memoria e costi operativi. Familiarità con tecnologie come ONNX, llama.cpp, vLLM e quantizzazione int8/int4 è preziosa.
- Stack tecnico: forti competenze in Python, PyTorch e Hugging Face, insieme a competenze SQL per analizzare grandi dataset utilizzando ClickHouse o database analitici comparabili.
- Familiarità con tecnologie web: esperienza con PHP o JavaScript, o disponibilità ad apprendere queste tecnologie mentre collabori con analisti di malware.
- Ingegneria assistita dall'IA: utilizzo quotidiano di agenti di codifica IA, con la capacità di dimostrare come supportano lo sviluppo, l'indagine e la produttività ingegneristica.
- Comunicazione scritta: padronanza dell'inglese a livello B2 o superiore, con particolarmente forti capacità di comunicazione scritta per documentazione tecnica e collaborazione asincrona.
- Competenze analitiche e di problem-solving: capacità di indagare su problemi complessi di rilevamento, interpretare i risultati del modello, prendere decisioni tecniche solide e dare priorità a miglioramenti misurabili rispetto a metriche sperimentali sole.
- Responsabilità e collaborazione: comfort nel prendersi la responsabilità dall'esperimentazione fino al deployment in produzione mentre si lavora efficacemente con analisti, ingegneri e altri stakeholder.
Esperienze aggiuntive vantaggiose:
- Sicurezza del malware web: esperienza con malware web, webshells, kit di phishing o sicurezza di WordPress.
- Machine Learning basato su codice: esperienza nello sviluppo di modelli su codice sorgente utilizzando alberi di sintassi astratta (AST), caratteristiche di token, modelli di linguaggio focalizzati sul codice o modelli grafici della struttura del programma.
- Analisi del malware: conoscenza del clustering del malware, analisi di similarità e metodi per identificare campioni correlati o campagne emergenti.
- Infrastruttura di addestramento: esperienza con addestramento multi-GPU su infrastruttura bare-metal, MLflow o Weights & Biases e versioning dei dataset.
- Programmazione di sistemi: familiarità con Go o Rust per inferenza efficiente sul server.
- Ricerca sulla sicurezza: lavori pubblicati, presentazioni tecniche o conferenze focalizzate sull'apprendimento automatico per la cybersecurity.
Benefici:
- Lavoro completamente remoto: lavora da remoto con flessibilità per organizzare il tuo programma e lavorare da diverse località in tutto il mondo, soggetto a disposizioni di assunzione.
- Orari di lavoro flessibili: autonomia per strutturare la tua giornata lavorativa in un ambiente remoto e asincrono.
- Vacanze retribuite: 24 giorni di ferie retribuite all'anno.
- Festività pubbliche: 10 giorni di festività nazionali.
- Congedo per malattia: congedo per malattia illimitato.
- Supporto sanitario: compensazione finanziaria per assicurazione medica privata.
- Benefici per il benessere: rimborso per spazi di co-working e attività sportive o in palestra.
- Apprendimento e sviluppo: un budget per l'istruzione e un forte focus sulla crescita professionale.
- Premi per innovazione: opportunità di ricevere un premio per lo sviluppo di un'idea innovativa che può essere brevettata.
- Risorse tecniche dedicate: accesso a risorse GPU dedicate e potenziale investimento computazionale aggiuntivo supportato da proposte basate su evidenze.
- Lavoro tecnico stimolante: opportunità di lavorare con dataset di malware del mondo reale su larga scala e sviluppare sistemi ML di produzione che affrontano minacce evolutive alla cybersecurity.
- Ambiente di ingegneria abilitato dall'IA: accesso a agenti di codifica IA e strumenti di sviluppo integrati per supportare sperimentazione, implementazione e collaborazione.
Nota sulla privacy dei dati: Inviando la tua candidatura, riconosci che Jobgether elaborerà i tuoi dati personali per valutare la tua candidatura e condividere informazioni pertinenti con il datore di lavoro che assume. Questo trattamento si basa su un interesse legittimo e misure precontrattuali ai sensi delle leggi sulla protezione dei dati applicabili (incluso il GDPR). Puoi esercitare i tuoi diritti (accesso, rettifica, cancellazione, opposizione) in qualsiasi momento.
Senior Ml Engineer - Malware Detection in Latina datore di lavoro: Jobgether
L'azienda offre un ambiente di lavoro stimolante e collaborativo, ideale per chi cerca di crescere professionalmente nel campo della gestione dei contenuti digitali e SEO. Con opportunità di formazione continua e un forte focus sulla qualità e sull'accuratezza, i dipendenti possono contare su un supporto costante e su una cultura aziendale che valorizza l'innovazione e la creatività . Inoltre, la flessibilità del lavoro remoto consente di bilanciare vita professionale e personale in modo ottimale.
Consigli degli esperti StudySmarter🤫
Ecco come pensiamo che potresti ottenere Senior Ml Engineer - Malware Detection in Latina
✨Unisciti a gruppi di cybersecurity
Cerca di entrare a far parte di gruppi e comunità locali o online dedicate alla cybersecurity. Partecipa a forum, come quelli su Reddit o Discord, dove le persone discutono le ultime novità del settore e condividono opportunità di lavoro. Essere attivo in queste comunità può farti conoscere e magari ottenere informazioni su posizioni aperte.
✨Metti in mostra le tue skill
Considera di contribuire a progetti open-source legati alla cybersecurity. Avere un portfolio online che dimostri le tue capacità tecniche e i progetti a cui hai lavorato può darti un vantaggio. Inoltre, questo tipo di esperienza è spesso molto apprezzata dai datori di lavoro nel campo.
✨Eventi e conferenze
Non perdere l'occasione di partecipare a conferenze e eventi di cybersecurity come Black Hat o DEF CON. Questi eventi sono fantastici per il networking e per conoscere di persona i professionisti del settore. Se un'azienda come Jobgether è presente, assicurati di visitare il loro stand e di connetterti con i reclutatori.
✨Candidati direttamente
Applica direttamente sul sito di Jobgether! Spesso, le aziende preferiscono le candidature ricevute tramite il loro portale ufficiale. Non dimenticare di personalizzare la tua candidatura e dimostrare il tuo interesse per il loro team di cybersecurity. Mostrati proattivo e motivato.
Pensiamo che ti servano queste competenze per eccellere come Senior Ml Engineer - Malware Detection in Latina
Alcuni consigli per la tua candidatura 🫡
Sottolinea le tue Certificazioni:Nel campo della cybersecurity, avere certificazioni come CompTIA Security+, CEH o CISSP può fare la differenza. Assicurati di includerle nel tuo CV e magari di menzionarle anche nella lettera di presentazione per dimostrare che sei aggiornato e serio riguardo al tuo percorso professionale.
Mostra Esperienza Pratica:Raccontaci delle tue esperienze pratiche nel settore! Progetti di sicurezza, stage o anche competizioni di hacking etico possono essere un grande valore aggiunto. Usa il tuo CV per evidenziare case study interessanti o risultati specifici che hai raggiunto.
Personalizza la Tua Lettera di Presentazione:Questa è l'occasione perfetta per spiegare perché sei il candidato ideale per il ruolo di Senior Ml Engineer - Malware Detection presso Jobgether. Parla delle tue passioni per la cybersecurity e di come intendi contribuire alla sicurezza dell'azienda. Stiamo cercando candidati motivati e con voglia di crescere!
Includi Link Utili:Aggiungi al tuo CV link a progetti o articoli tecnici che hai scritto. Se hai un blog, un profilo GitHub con progetti pertinenti o anche profili su piattaforme come LinkedIn, mettili in evidenza. Questo mostra la tua passione e impegno nel settore della cybersecurity!
Come prepararti a un colloquio di lavoro presso Jobgether
✨Dimostra le tue capacità tecniche
In un colloquio per un ruolo di cybersecurity, possiamo aspettarci domande tecniche specifiche come la gestione di vulnerabilità o la sicurezza delle reti. Fai pratica con le varie tecnologie di sicurezza informatica, e prepara esempi concreti di progetti in cui hai applicato queste tecnologie nel tuo portfolio. Ricorda, è meglio mostrare le tue capacità piuttosto che limitarti a parlarne!
✨Preparati a casi pratici
Le interviste di cybersecurity spesso includono casi pratici o scenari di incident response. Possiamo essere chiamati a identificare vulnerabilità in un sistema simulato o a risolvere un attacco informatico ipotetico. Esercitati con simulazioni o piattaforme di test per essere pronto a dimostrare il tuo processo di pensiero e le tue decisioni critiche.
✨Conosci le ultime tendenze
Essere aggiornati sulle ultime tendenze e minacce nel campo della cybersecurity è cruciale. Parla di come hai seguito corsi online o partecipato a conferenze. Questo dimostra al tuo potenziale datore di lavoro, Jobgether, che sei appassionato e proattivo nel tuo percorso professionale.
✨Sii pronto a parlare di soft skills
In un ruolo di cybersecurity, le soft skills possono essere altrettanto importanti delle competenze tecniche. Considera come hai lavorato in team per risolvere problemi complessi o come hai comunicato efficacemente i rischi alla direzione. Preparati a raccontare storie che evidenziano le tue capacità relazionali e di problem solving, perché nel mondo della cybersecurity, spesso collaboriamo con diverse parti interessate.