Senior Ml Engineer - Malware Detection

Esta posição é listada em nome de uma empresa parceira, que gerencia todas as candidaturas e próximos passos. A nossa parceira está à procura de um Engenheiro de ML Sênior - Detecção de Malware, baseado remotamente em Portugal. O Engenheiro de ML Sênior desenvolverá e implementará soluções avançadas de aprendizado de máquina para detectar malware baseado na web em ambientes de hospedagem Linux em larga escala. Trabalhando com um extenso conjunto de dados de amostras reais de malware, decisões de analistas, regras de detecção e resultados de limpeza, você transformará a inteligência de produção em sistemas de segurança mais precisos e eficientes. Seu trabalho abrangerá aprendizado de máquina clássico, modelos de transformadores, triagem assistida por LLM e geração automatizada de assinaturas. Você será responsável pela jornada desde os dados brutos e experimentação até a implementação em produção, com sucesso medido por melhorias reais na detecção e taxas controladas de falsos positivos.

Responsabilidades:

• Desenvolvimento de Modelos de Aprendizado de Máquina: Projetar, treinar, ajustar e implementar modelos de ML usando dados de malware de produção para melhorar a cobertura de detecção e identificar ameaças que assinaturas e regras tradicionais podem perder.
• Classificação e Triagem de Malware: Desenvolver modelos que distinguem arquivos maliciosos de conteúdo benigno, priorizar arquivos suspeitos para inspeção mais profunda e direcionar amostras para os motores de detecção mais apropriados.
• Geração Automatizada de Assinaturas: Construir sistemas que geram assinaturas de detecção a partir de campanhas emergentes de malware, ajudando os analistas de segurança a responder mais rapidamente a novas e evolutivas ameaças.
• Detecção Contextual de Ameaças: Desenvolver métodos para identificar conteúdo malicioso que requer análise contextual, incluindo páginas de phishing, webshells, injeções de script e componentes de sites comprometidos.
• Otimização de Detecção e Limpeza: Melhorar a precisão da detecção e a eficácia da limpeza para que sites infectados permaneçam limpos após a remediação e ameaças recorrentes possam ser identificadas.
• Avaliação e Validação de Modelos: Estabelecer estruturas de avaliação rigorosas usando divisões de conjuntos de dados baseadas em tempo e campanha, casos históricos de falsos positivos e negativos, e testes de regressão para prevenir vazamento de dados e verificar melhorias antes da implementação.
• Otimização de Inferência e Recursos: Otimizar a taxa de transferência do modelo, latência, uso de CPU, consumo de memória e custo por arquivo para suportar a implementação confiável em grandes frotas de hospedagem.
• Implementação e Monitoramento em Produção: Mover modelos da experimentação para a produção, usando implementações em sombra e lançamentos controlados para coletar evidências antes de habilitar a detecção ao vivo.
• Aprendizado Contínuo e Re-treinamento: Incorporar feedback fresco de analistas e novos falsos negativos em conjuntos de dados de treinamento, estabelecer ciclos regulares de re-treinamento e monitorar tendências nas taxas de detecção e desempenho do modelo.
• Infraestrutura de ML e Experimentação: Desenvolver pipelines de treinamento reutilizáveis, manter ferramentas de conjuntos de dados, fazer uso eficaz de recursos de GPU e permitir múltiplos esforços paralelos de pesquisa e desenvolvimento.
• Colaboração Interfuncional: Trabalhar em estreita colaboração com analistas de malware, engenheiros de detecção e equipes de infraestrutura para investigar falhas de detecção relatadas pelos clientes, entender ameaças emergentes e traduzir descobertas operacionais em melhorias de modelo.
• Documentação Técnica e Compartilhamento de Conhecimento: Documentar decisões arquitetônicas, métodos de avaliação, limitações do modelo, requisitos de hardware e resultados de produção. Participar de colaborações assíncronas e post-mortems sem culpa para melhorar continuamente as práticas de engenharia.
• Entrega de Marcos: Treinar e avaliar um modelo inicial de dados de produção durante o primeiro mês, trazer múltiplos modelos para produção ou testes em sombra até o terceiro mês e ajudar a estabelecer o ML como uma fonte importante de novas detecções dentro do primeiro ano.

Requisitos:

O candidato ideal combina experiência substancial em ML de produção com expertise prática em transformadores, forte disciplina de avaliação e a capacidade de projetar modelos eficientes para ambientes de segurança adversariais. Você deve estar confortável em tomar decisões baseadas em evidências, comunicar-se de forma assíncrona e assumir a responsabilidade por todo o ciclo de vida do ML. As principais qualificações incluem:

• Experiência em ML de Produção: Pelo menos cinco anos de experiência construindo e implementando sistemas de aprendizado de máquina em produção, incluindo pelo menos dois anos em um domínio adversarial como cibersegurança, fraude, spam ou prevenção de abusos.
• Expertise em Modelos de Transformadores: Experiência prática em treinar e ajustar modelos de transformadores, incluindo preparação de dados, tokenização de código, LoRA/QLoRA ou ajuste fino completo, destilação e quantização. A experiência deve se estender além de chamar APIs de modelos hospedados.
• Aprendizado de Máquina Clássico: Forte compreensão de boosting de gradiente, modelos lineares com características esparsas, calibração de probabilidade, desequilíbrio de classes e a capacidade de determinar quando métodos tradicionais de ML superam abordagens baseadas em LLM.
• Avaliação Rigorosa de Modelos: Experiência em projetar divisões livres de vazamento por tempo e família de malware, avaliando precisão sob restrições fixas de falsos positivos, mantendo conjuntos de dados de regressão e entendendo as limitações da avaliação offline ao prever desempenho em produção.
• Otimização de Inferência e Custos: Capacidade demonstrada de medir taxa de transferência e latência e otimizar modelos para CPU, memória e restrições de custo operacional. Familiaridade com tecnologias como ONNX, llama.cpp, vLLM e quantização int8/int4 é valiosa.
• Pilha Técnica: Fortes habilidades em Python, PyTorch e Hugging Face, juntamente com expertise em SQL para analisar grandes conjuntos de dados usando ClickHouse ou bancos de dados analíticos comparáveis.
• Familiaridade com Tecnologias Web: Experiência com PHP ou JavaScript, ou disposição para aprender essas tecnologias enquanto colabora com analistas de malware.
• Engenharia Assistida por IA: Uso diário de agentes de codificação de IA, com a capacidade de demonstrar como eles apoiam o desenvolvimento, investigação e produtividade em engenharia.
• Comunicação Escrita: Proficiência em inglês no nível B2 ou superior, com habilidades de comunicação escrita particularmente fortes para documentação técnica e colaboração assíncrona.
• Habilidades Analíticas e de Resolução de Problemas: Capacidade de investigar problemas complexos de detecção, interpretar resultados de modelos, fazer trade-offs técnicos sólidos e priorizar melhorias mensuráveis sobre métricas experimentais sozinhas.
• Propriedade e Colaboração: Conforto em assumir responsabilidades desde a experimentação até a implementação em produção, enquanto trabalha efetivamente com analistas, engenheiros e outras partes interessadas.

Benefícios:

• Trabalho Totalmente Remoto: Trabalhe remotamente com flexibilidade para organizar sua agenda e trabalhar de diferentes locais em todo o mundo, sujeito a acordos de contratação.
• Horas de Trabalho Flexíveis: Autonomia para estruturar seu dia de trabalho em um ambiente remoto e assíncrono.
• Férias Pagas: 24 dias de férias pagas anualmente.
• Feriados Públicos: 10 dias de feriados nacionais.
• Licença Médica: Licença médica ilimitada.
• Apoio à Saúde: Compensação financeira para seguro médico privado.
• Benefícios de Bem-Estar: Reembolso para espaços de co-working e atividades de ginástica ou esportivas.
• Aprendizado e Desenvolvimento: Um orçamento para educação e um forte foco no crescimento profissional.
• Recompensas por Inovação: A oportunidade de receber uma recompensa por desenvolver uma ideia inovadora que pode ser patenteada.
• Recursos Técnicos Dedicados: Acesso a recursos dedicados de GPU e potencial investimento computacional adicional apoiado por propostas baseadas em evidências.
• Trabalho Técnico Desafiador: Oportunidades para trabalhar com conjuntos de dados de malware do mundo real em larga escala e desenvolver sistemas de ML de produção que abordem ameaças cibernéticas em evolução.
• Ambiente de Engenharia Habilitado por IA: Acesso a agentes de codificação de IA e ferramentas de desenvolvimento integradas para apoiar experimentação, implementação e colaboração.