مهندس أول ML

الوصف الوظيفي

تم إدراج هذا المنصب نيابة عن شركة شريكة تدير جميع الطلبات والخطوات التالية. يبحث شريكنا عن مهندس ML أول - اكتشاف البرامج الضارة عن بعد في المملكة العربية السعودية. سيقوم كبير مهندسي ML بتطوير ونشر حلول التعلم الآلي المتقدمة للكشف عن البرامج الضارة المستندة إلى الويب عبر بيئات استضافة Linux واسعة النطاق. من خلال العمل مع مجموعة بيانات واسعة النطاق من عينات البرامج الضارة في العالم الحقيقي، وقرارات المحللين، وقواعد الكشف، ونتائج التنظيف، ستحول معلومات الإنتاج إلى أنظمة أمان أكثر دقة وكفاءة. سيشمل عملك التعلم الآلي الكلاسيكي، ونماذج المحولات، والفرز بمساعدة LLM، وإنشاء التوقيع الآلي. ستمتلك الرحلة من البيانات الأولية والتجريب إلى نشر الإنتاج، مع قياس النجاح من خلال تحسينات الاكتشاف الحقيقية ومعدلات الإيجابية الخاطئة الخاضعة للتحكم. من خلال التعاون الوثيق مع محللي البرامج الضارة ومتخصصي البنية التحتية وزملائك من مهندسي تعلم الآلة، سيكون لديك إمكانية الوصول إلى موارد وحدة معالجة الرسومات المخصصة وأدوات التطوير الحديثة المدعومة بالذكاء الاصطناعي. تعد هذه الفرصة الأولى عن بعد مثالية لممارس تعلم الآلة ذو الخبرة والذي يزدهر بالتجربة والتقييم الدقيق وتقديم تأثير قابل للقياس في مجال الأمن السيبراني. المسؤوليات: ستقود تطوير وتقييم ونشر أنظمة التعلم الآلي التي تعمل على تحسين اكتشاف البرامج الضارة على نطاق واسع أثناء العمل دقة الوخز والتكاليف التشغيلية وقيود الموارد. ستشمل مسؤولياتك الرئيسية ما يلي: • تطوير نماذج التعلم الآلي: تصميم نماذج تعلم الآلة وتدريبها وضبطها ونشرها باستخدام بيانات البرامج الضارة للإنتاج لتحسين تغطية الاكتشاف وتحديد التهديدات التي قد تفوتها التوقيعات والقواعد التقليدية. • تصنيف البرامج الضارة وفرزها: تطوير النماذج التي تميز الملفات الضارة عن المحتوى الحميد، وإعطاء الأولوية للملفات المشبوهة لإجراء فحص أعمق، وتوجيه العينات إلى محركات الكشف الأكثر ملاءمة. • إنشاء التوقيع الآلي: إنشاء أنظمة تولد توقيعات الكشف من حملات البرامج الضارة الناشئة، مما يساعد محللي الأمن على الاستجابة بشكل أسرع للتهديدات الجديدة والمتطورة. • الكشف عن التهديدات المدركة للسياق: تطوير طرق لتحديد المحتوى الضار الذي يتطلب تحليلًا سياقيًا، بما في ذلك صفحات التصيد الاحتيالي، وأغطية الويب، وحقن البرامج النصية، ومكونات موقع الويب المخترقة. • تحسين الكشف والتنظيف: تحسين دقة الكشف وفعالية التنظيف بحيث تظل مواقع الويب المصابة نظيفة بعد تحديد المعالجة والتهديدات المتكررة. • تقييم النموذج والتحقق من صحته: إنشاء أطر تقييم صارمة باستخدام تقسيمات مجموعة البيانات المستندة إلى الوقت والحملة، والحالات الإيجابية الكاذبة والسلبية الكاذبة التاريخية، واختبار الانحدار لمنع تسرب البيانات والتحقق من التحسينات قبل النشر. • الاستدلال وتحسين الموارد: تحسين إنتاجية النموذج وزمن الوصول واستخدام وحدة المعالجة المركزية واستهلاك الذاكرة والتكلفة لكل ملف لدعم النشر الموثوق عبر أساطيل الاستضافة الكبيرة. • نشر الإنتاج ومراقبته: نقل النماذج من التجربة إلى الإنتاج، باستخدام عمليات نشر الظل والإصدارات الخاضعة للرقابة لجمع الأدلة قبل تمكين الاكتشاف المباشر. • التعلم المستمر وإعادة التدريب: دمج تعليقات المحللين الجديدة والسلبيات الكاذبة التي تم تحديدها حديثًا في مجموعات بيانات التدريب، وإنشاء دورات إعادة تدريب منتظمة، ومراقبة الاتجاهات في معدلات الاكتشاف وأداء النموذج. • البنية التحتية لتعلم الآلة والتجريب: تطوير خطوط تدريب قابلة لإعادة الاستخدام، والحفاظ على أدوات مجموعة البيانات، والاستفادة الفعالة من موارد وحدة معالجة الرسومات، وتمكين جهود البحث والتطوير المتعددة المتوازية. • التعاون متعدد الوظائف: العمل بشكل وثيق مع محللي البرامج الضارة ومهندسي الكشف وفرق البنية التحتية للتحقيق في حالات فشل الاكتشاف التي أبلغ عنها العملاء وفهم التهديدات الناشئة وترجمة النتائج التشغيلية إلى تحسينات للنموذج. • التوثيق الفني وتبادل المعرفة: توثيق القرارات المعمارية وطرق التقييم وقيود النموذج ومتطلبات الأجهزة ونتائج الإنتاج. شارك في التعاون غير المتزامن وعمليات التشريح الخالية من اللوم لتحسين الممارسات الهندسية بشكل مستمر. • التسليم مقابل المعالم: Tr يمكنك تعيين نموذج بيانات الإنتاج الأولي وتقييمه خلال الشهر الأول، وإدخال نماذج متعددة في الإنتاج أو اختبار الظل بحلول الشهر الثالث، والمساعدة في إنشاء تعلم الآلة كمصدر رئيسي للاكتشافات الجديدة خلال السنة الأولى

المتطلبات

• ستكون التجربة التالية ميزة قوية
• نحن

المهارات