A Mimecast kiberbiztonsági vállalat, amely az adatvédelemre, az ellenálló képességre és a felhasználói élményre épülő biztonsági szolgáltatásokkal segíti a szervezeteket a folyamatos digitális fenyegetések kezelésében. Több mint 2500 munkatársa nemzetközi piacokon, köztük az Egyesült Államokban, az Egyesült Királyságban és Ausztráliában dolgozik. A vállalat nagy hangsúlyt fektet a kialakulóban lévő kockázatok előrejelzésére, a védelem időbeli megerősítésére, valamint a biztonsági kiválóságra és a folyamatos fejlődésre összpontosító kultúra fenntartására.
II. gépi tanulási mérnök — hibrid munkavégzés Columbusban
Skálázható gépi tanulási, generatív MI- és valós idejű adatfeldolgozási folyamatokat fejleszt a Mimecast bennfentes kockázatokkal foglalkozó Incydr kiberbiztonsági termékéhez. Vezeti a fejlesztési élesítéseket és az ügyfélközpontú képességeket előmozdító, több szakterületet érintő kezdeményezéseket.
Leírás
- Fejlett gépi tanulási modellek kutatása, tervezése, fejlesztése és karbantartása
- Modellek betanítása, értékelése és finomhangolása a kiválasztás, validáció, pontosság, késleltetés és áteresztőképesség szempontjából
- Skálázhatósági, modellhangolási és adatinfrastruktúra-konfigurációs megközelítések ajánlása
- Teljes körű adat- és gépi tanulási folyamatok tervezése és megvalósítása valós idejű termékekhez
- Nyers adatok gyűjtése, tisztítása és átalakítása jellemzőmérnökség segítségével
- Gépi tanulási modellek előkészítése éles használatra és integrálása meglévő rendszerekbe
- Az élesített modellek hatékonyságának, áteresztőképességének és késleltetésének figyelése
- Nagy adathalmazokhoz használt szoftverarchitektúra alakításának támogatása
- Gépi tanulási projektek vezetése a kezdeti koncepciótól az éles kiadásig
- Junior kollégák mentorálása és a mérnöki bevált gyakorlatok előmozdítása
- Együttműködés a termék-, mérnöki, marketing-, ügyfélsiker-, értékesítési és más termékfejlesztési csapatokkal
- Ügyfélközpontú funkciók és prediktív modellek fejlesztése kutatás és kísérletezés révén
- Összetett technikai fogalmak magyarázata tudásmegosztó alkalmakon
- A munka kezelése, alakítása és rangsorolása korlátozott felügyelet mellett
- Kapcsolatok kialakítása az érdekelt felekkel, valamint együttműködő, befogadó és folyamatosan fejlődő csapatkultúra támogatása
- MI-fejlesztési eszközök használata koncepciók feltárására, megoldások prototipizálására, adatok értelmezésére, valamint LLM-ekkel és ágensalapú rendszerekkel való kísérletezésre
Követelmények
- Ph.D. vagy mesterfokozat kvantitatív területen és legalább négy év tapasztalat fejlett gépi tanulás iparági problémákra való alkalmazásában, vagy alapképzésben szerzett diploma és legalább hat év közvetlenül releváns tapasztalat
- Magas szintű programozási készségek Python, C++, Java vagy Kotlin nyelven
- Gyakorlati tapasztalat a PyTorch, NLTK, spaCy, OpenCV, Tesseract és Hugging Face használatában
- A lineáris algebra, a sztochasztikus optimalizálás és a valószínűségszámítás ismerete
- A statisztikai következtetés és a gépi tanulási módszerek ismerete, beleértve az előrejelzést, az idősorelemzést, a hipotézisvizsgálatot, az anomáliaészlelést, az osztályozást és a regressziót
- Tapasztalat több mint kétmillió tanítási példát tartalmazó nagyméretű adathalmazokkal és erősen kiegyensúlyozatlan adatokkal
- Az olyan AWS-szolgáltatások ismerete, mint az ECS, Kinesis, Lambda, S3, Glue, SageMaker, Bedrock, Athena, RDS és Redshift
- Skálázható generatív MI-szolgáltatások tervezésében és bevezetésében szerzett tapasztalat LangChain, LlamaIndex, n8n és Spring AI használatával
- Infrastruktúra kódként történő fejlesztésének és karbantartásának képessége
- Tapasztalat verziókezelő rendszerek használatában
- Az érzékeny adatok kezelésének ismerete főszolgáltatási megállapodások és megfelelőségi kötelezettségek keretében
- Erős elemzési, problémamegoldási, kommunikációs, együttműködési, alkalmazkodási, felelősségvállalási és részletekre figyelési készségek
- Technikai fogalmak és üzleti következményeik magyarázatának képessége nem technikai közönség számára, valamint az alkalmazandó háttérellenőrzések sikeres teljesítése
- Az alkalmazandó háttérellenőrzések sikeres teljesítése
Juttatások
- Átfogó juttatási csomag
- Strukturált és munka közbeni tanulási lehetőségek
- Egyéni rugalmasságot biztosító hibrid munkamodell
- Befogadó és sokszínű munkahely
- Interjúhoz kapcsolódó módosítások vagy alkalmazkodási lehetőségek fogyatékosság vagy más igények esetén
- Ösztönző programok elérhetők lehetnek
- A vállalati szabályzat és az alkalmazandó helyi előírások alapján biztosított további juttatások