Vereinigte Staaten
Redwood Materials
Rubrik Job Board
Senior Machine Learning Engineer
Vereinigte Staaten
Palo Alto, California, United States
Python
Automatische Übersetzung. Prüfe das Original.
ÜBER DAS TEAM & DIE ROLLE
Wir entwickeln SAGE, Rubriks Semantic AI Governance Engine, das erste System, das autonome KI-Agenten in Echtzeit überwacht, steuert und korrigiert. SAGE treibt Rubrik Agent Cloud an: Unternehmen definieren Governance-Richtlinien in natürlicher Sprache, und SAGEs benutzerdefinierte kleine Sprachmodelle agieren als Richter bei jeder Agentenaktion. Diese Modelle sind schnell genug, um im Live-Request-Pfad zu sitzen, und genau genug, dass Kunden ihnen Entscheidungen über Produktionstraffic anvertrauen.
Im Kern ist SAGE "LLM-as-judge" für KI-Governance, das die gleiche Technik nutzt, die die meisten Teams für die Offline-Bewertung verwenden, aber für die Echtzeit-Durchsetzung im Unternehmensmaßstab produktiviert wurde. Unser SLM Policy Guard der ersten Generation übertrifft bereits die größeren Frontier- Modelle, gegen die wir verglichen haben, in Bezug auf die Genauigkeit, während er auf der gleichen Arbeitslast etwa 5x schneller läuft. Wir stellen ein, um diesen Vorsprung noch weiter auszubauen.
Als Applied ML Engineer im SAGE-Team arbeiten Sie End-to-End über den Modell-Lebenszyklus hinweg: Daten kuratieren, kleine Modelle trainieren, Sie in Produktionslatenz bereitstellen und die Feedbackschleife mit echten Kundensignalen schließen. Die von Ihnen entwickelten Modelle erzwingen nicht nur Richtlinien im Live-Request-Pfad; sie werden auch Agent Rewind antreiben, Rubriks Fähigkeit, destruktive autonome Agentenaktionen sofort und präzise rückgängig zu machen und die betroffenen Daten in einen vertrauenswürdigen Zustand wiederherzustellen.
Wir sind ein kollaboratives, angewandtes Team, das Modelle innerhalb von Wochen an Unternehmenskunden ausliefert, und wir sind leidenschaftlich darauf bedacht zu beweisen, dass kleine, spezialisierte Modelle Frontier- LLMs bei den Problemen, die für KI-Sicherheit und Governance am wichtigsten sind, übertreffen können.
SCHLIESSEN SIE SICH UNS AN BEI DER SICHERUNG UND BESCHLEUNIGUNG DER WELTWEITEN KI-TRANSFORMATION
ART DER SPEZIALISIERTEN AUFGABEN
➢ TRAINIEREN, FEINABSTIMMEN UND DESTILLIEREN VON PRODUKTIONS-SMALL LANGUAGE MODELS UND KLASSIFIKATOREN (25% DER ZEIT)
- Verantwortung für den gesamten Trainingszyklus der SLMs und Klassifikatoren im Echtzeit-Durchsetzungs-Pfad von SAGE, einschließlich der Auswahl des Basismodells, des überwachten Fine-Tunings, der Präferenzoptimierung (DPO/RLAIF) und der Destillation von Frontier-Lehrermodellen.
- Trainieren von Anomalie- und Aktionsschweregrad-Modellen, die neuartige agentenseitige Angriffsmuster mit Echtzeit-Entscheidungs-Latenz erkennen, wie z. B. Supply-Chain-Kompromittierungen oder aufkommende destruktive Verhaltensweisen, die nicht durch eine explizite Richtlinie abgedeckt sind. Schweregrad-Scores leiten die Auswirkungenreichsten Ereignisse an Agent Rewind zur präzisen Behebung weiter.
- Entwerfen von Adversarial-Training-Pipelines wie speziell angefertigte adversarielle Agenten und automatisierte Red-Teams, deren Ausgaben direkt in den nächsten Trainingslauf einfließen und jede entdeckte Schwachstelle in eine permanente Modellverbesserung verwandeln.
- Verschieben der Pareto-Grenze von Genauigkeit, Latenz und Kosten für Governance-spezifische Aufgaben durch bewusste Post-Training-Entscheidungen (LoRA, Quantisierungs-bewusstes Training, Destillationsrezepte, GRPO usw.) und Validieren der Erfolge anhand von Produktions-Traffic-Mustern.
➢ ENTWICKLUNG VON HOCHLEISTUNGSMODELL-SERVING- UND INFERENZINFRASTRUKTUR (25% DER ZEIT)
- Entwerfen von mehrstufigen Inferenz-Pipelines, die sowohl Echtzeit- Durchsetzung (Inline-Prompt-, Antwort- und Tool-Call-Blockierung) als auch High-Throughput-Batch-Workloads (Offline-Scoring, Back-Testing, Korpus- Mining) verarbeiten, während täglich Milliarden von Tokens über globale 2000 Kunden-Agentenflotten verarbeitet werden.
- Optimieren von Live-Deployments durch gemeinsame GPU-Pools, KV-Cache- bewusste Weiterleitung, kontinuierliches Batching, FP8/INT8- Quantisierung und spekulative Dekodierung, um die Inferenzkosten zu minimieren und gleichzeitig Sub-Sekunden P99 SLOs einzuhalten.
- Aufbauen von Serving-Layer-Infrastruktur, die es SAGE ermöglicht, Agenten- Prompts, Antworten und Tool-Aufrufe in Echtzeit zu blockieren, ohne zu einem Latenz-Engpass zu werden. Dies umfasst das Design des Modell-Gateways, die Request-Weiterleitung und die fehlerfreundliche Herabstufung.
- Verantwortung für Canary-, Shadow- und A/B-Traffic-Muster, damit neue Modellvarianten mit Live-Kundenverkehr validiert werden, bevor sie Durchsetzungsentscheidungen treffen.
➢ ERSTELLEN VON SYNTHETISCHEN DATEN-PIPELINES UND ONLINE- + OFFLINE- EVALUIERUNGSRAHMENWERKEN (20% DER ZEIT)
- Entwerfen von automatisierten Datenkuration-Pipelines, die Live-Kunden- Umgebungen (mit Datenschutz- und Mandanten-Garantien) nach hochwertigen Trainingsbeispielen pro Mandant durchsuchen, wie z. B. Long-Tail- Verletzungen, Beinahe-Fehltritte bei Richtlinien oder neue Agenten- Verhaltensweisen, und diese zurück in den Trainingszyklus für jeden Kunden leiten.
- Erstellen von automatisiertem Richtlinien-Back-Testing durch Wiederholen historischen Agentenverkehrs gegen neue Modell- und Richtlinienversionen, um Regressionen zu erkennen und Richtlinienverbesserungen vor der kundenrelevanten Bereitstellung zu empfehlen.
- Erstellen von Online-Evaluierungssystemen für Live-Modellentscheidungen, einschließlich Shadow-Scoring, Drift-Erkennung, Kalibrierungsüberwachung und Analyse von Richtlinienabdeckungslücken, um sicherzustellen, dass Qualitätsregressionen in Minuten statt Wochen auftreten.
- Generieren von synthetischen Daten unter Verwendung von Frontier-Lehrern (adversarielle Prompts, Richtlinien-Randfälle, Multi-Turn-Interaktionen) mit einer Evaluierung, die bestätigt, dass synthetische Daten die nachgelagerte Qualität verbessern, nicht nur die Datensatzgröße.
➢ INSIGHTS MINING, FEHLERDIAGNOSE UND ADAPTIVE MODELLVERBESSERUNG (15% DER ZEIT)
- Aufbauen von Speicher- und Kontext-Harnesses, die Datenempfindlichkeit, Identität und historisches Agentenverhalten in Echtzeit-Durchsetzungs- entscheidungen integrieren, um sicherzustellen, dass SAGE aus dem spezifischen Kontext jedes Kunden heraus argumentiert.
- Mining von Agenten-Insights über Millionen von Sitzungen hinweg, um Sicherheitslücken aufzudecken, die dann in neue Richtlinienvorschläge, Verfeinerungen bestehender Richtlinien und Signale über vorgelagerte Probleme im Agenten-Ökosystem (Google ADK, Azure AI Foundry, Vertex AI und andere) umgewandelt werden.
- Aufbauen von Feedbackschleifen, die Produktionsentscheidungen, vom Kunden gekennzeichnete Fehlalarme und verpasste Verstöße in Ein-Klick-Natursprach-Richtlinienverfeinerungen umwandeln, um die Fehlalarmraten zu senken, ohne die Rückrufe zu beeinträchtigen.
- End-to-End-Diagnose von Modellfehlern und Unterscheidung zwischen Daten-, Trainingsrezept-, Architektur- und Serving-Layer-Ursachen, damit Korrekturen beim ersten Mal in der richtigen Schicht landen.
➢ INTERDISZIPLINÄRE ZUSAMMENARBEIT UND ÜBERTRAGUNG DER KUNDENREALITÄT IN MODELLIERUNGSPROBLEME (15% DER ZEIT)
- Bereitstellung technischer Führung für eine Säule des SAGE-Modell-Stacks (Trainingsinfrastruktur, Eval-Methodik, Serving-Architektur oder Insights- Pipeline), Mentoring von Ingenieuren, die sich in ML einarbeiten, und Gestaltung der technischen Roadmap des Teams.
- Partnerschaft mit Produktmanagement, kundenorientierten Teams und Sicherheitsanalysten, um Kundenanforderungen an die Agenten-Governance in gut abgegrenzte Modellierungsprobleme zu übersetzen und zurückzuweisen, wenn ML das falsche Werkzeug ist.
- Klare Kommunikation von Modellverhalten, Kompromissen und Einschränkungen an nicht-ML-Stakeholder, wie Produktmanager und Leiter der Unternehmenssicherheit, damit Modellentscheidungen mit vollem Kontext getroffen werden.
- Zusammenarbeit mit den Teams für Agent Cloud Plattform, Security Engineering und AI Research, um neue SLMs mit der richtigen Latenz, Beobachtbarkeit, Rollback- und Mandanten-Garantien in den Echtzeit-Durchsetzungs-Pfad zu integrieren.
MINDESTVORAUSSETZUNGEN FÜR DIE POSITION
Ausbildung: Ein Bachelor-Abschluss (oder höher) in Informatik, Machine Learning, Computer Engineering, Statistik oder einem eng verwandten technischen Bereich ist erforderlich. Das Design von Produktions-SLM-Trainings- und Serving-Systemen erfordert ein tiefes theoretisches Verständnis moderner deep learning, Optimierung und Systemleistung.
SPEZIALISIERTE TECHNISCHE KENNTNISSE
- 2+ Jahre professionelle ML-Erfahrung mit nachweisbarer End-to-End- Produktionsverantwortung; Sie haben Modelle vom Training bis zum Serving von echtem Kundenverkehr gebracht und die Verantwortung dafür durch iterative Verbesserungen nach der Veröffentlichung übernommen.
- Beherrschung von Python und PyTorch (oder Äquivalent) für produktionsreifes Training und Evaluierung.
- Praktische Erfahrung im Trainieren, Feinabstimmen oder Destillieren von Sprachmodellen oder Klassifikatoren in einer Produktionsumgebung, einschließlich SFT und mindestens einer Präferenzoptimierungstechnik (DPO, RLAIF oder RLHF).
- Produktionserfahrung mit Serving-Frameworks (vLLM, SGLang, TensorRT-LLM oder Äquivalent), einschließlich Optimierung durch kontinuierliches Batching, KV- Cache-Strategie und Inferenz-Zeit-Quantisierung.
- Erfahrung im Entwurf von Closed-Loop-ML-Systemen, einschließlich der Evaluierungs-, Telemetrie-, Datenkuration- und synthetischen Dateninfrastruktur, die Produktionssignale zurück in Trainingsdaten und die nächste Modell- Version umwandelt. Sie haben mindestens eine solche Schleife aufgebaut (nicht nur genutzt).
- Komfort bei der Arbeit im Produktionsmaßstab, einschließlich der Fehlersuche bei Modellen, die hohe QPS in sicherheitskritischen Request- Pfaden verarbeiten, wo Fehler kundenrelevante Konsequenzen haben.
BEVORZUGTE QUALIFIKATIONEN
- Tiefgreifende Kenntnisse in KI-Sicherheit und Red-Teaming, einschließlich praktischer Erfahrung mit Adversarial ML, Strategien zur Abwehr von Prompt Injection und automatisierten Evaluierungssuiten für unternehmensreife LLM- Sicherheit.
- Expertise in der Modellbewertungsmethodik, insbesondere beim Aufbau von "LLM-as-judge"-Pipelines, Kalibrierungsüberwachung und adversariellen Benchmarks, die subtile Fehlermodi aufdecken, die statische Metriken oft übersehen.
- Erfahrung mit Kontextfusion und Retrieval-Systemen, die disparate Signale synthetisieren – wie Datenempfindlichkeit, Benutzeridentität und Verhaltenshistorie – zu hochgradig präzisen Modellentscheidungen.
- Produktionserfahrung mit Low-Latency-Inferenz für Streaming- oder sicherheitskritische Request-Pfade, bei denen Modell-Durchsatz und P99 SLOs entscheidend sind.
- Beherrschung von Label-effizientem Training und Daten-Mining unter Nutzung von schwacher Überwachung, aktivem Lernen und Embedding-basiertem Retrieval, um die Produktionsbeispiele zu identifizieren, die die signifikantesten Qualitätsverbesserungen erzielen.
- Praktische Erfahrung mit Knowledge Distillation, um erfolgreich Fähigkeiten von Frontier-Lehrermodellen auf spezialisierte, kleine Studentenmodelle für die Produktionsbereitstellung zu übertragen.
- Vertrautheit mit dem agentischen Ökosystem, einschließlich Tool-Use- Frameworks, Modell-Gateway-Architekturen (MCP, LiteLLM oder Äquivalent) und autonomen Agentenmustern.
- Aktive Open-Source-Beiträge zu Mainstream-ML-Trainings-, Serving- oder Evaluierungsbibliotheken.
INKLUSION @ RUBRIK
Das Mindest- und Höchstgehalt für diese Rolle sind unten angegeben; zusätzlich ist die Rolle für Bonuszahlungen, Aktienoptionen und Leistungen berechtigt. Die angezeigte Spanne spiegelt das Minimum und Maximum für die Gehälter neuer Mitarbeiter für die Rolle basierend auf dem Standort in den USA wider. Innerhalb der Spanne wird das angebotene Gehalt durch den Arbeitsort und zusätzliche Faktoren bestimmt, einschließlich berufsbezogener Fähigkeiten, Erfahrung und relevanter Ausbildung oder Schulung.
US Gehaltsspanne $188,500—$282,700 USD
Linkedin linkedin.com/company/rubrik-inc/mycompany/verification/ | X (ehemals Twitter) twitter.com/rubrikinc | Instagram instagram.com/rubrikinc/ | Rubrik.com rubrik.com
Bei Rubrik setzen wir uns dafür ein, eine Kultur zu fördern, in der Menschen aus allen Hintergründen geschätzt werden, sich zugehörig fühlen und glauben, dass sie erfolgreich sein können. Unser Engagement für Inklusion steht im Mittelpunkt unserer Mission, die Daten der Welt zu sichern.
Unser Ziel ist es, die besten Talente einzustellen und zu fördern, unabhängig von ihrem Hintergrund. Wir überprüfen kontinuierlich unsere Einstellungspraktiken, um Fairness zu gewährleisten, und bemühen uns, ein Umfeld zu schaffen, in dem jeder Mitarbeiter gleichen Zugang zu Wachstumschancen und Exzellenz hat. Wir glauben daran, jeden zu befähigen, sich authentisch einzubringen und sein volles Potenzial auszuschöpfen.
UNSERE INKLUSIONSSTRATEGIE KONZENTRIERT SICH AUF DREI KERNBEREICHE UNSERES GESCHÄFTS UND UNSERER KULTUR
- Unser Unternehmen: Wir sind bestrebt, eine leistungsorientierte Organisation aufzubauen, die allen Mitarbeitern weltweit gleichen Zugang zu Wachstum und Erfolg bietet. Ihr Potenzial ist hier grenzenlos.
- Unsere Kultur: Wir bemühen uns, eine inklusive Atmosphäre zu schaffen, in der sich Einzelpersonen aus allen Hintergründen stark zugehörig fühlen, gedeihen und ihre beste Arbeit leisten können. Ihre Beiträge helfen uns, zu innovieren und Grenzen zu durchbrechen.
- Unsere Gemeinschaften: Wir engagieren uns für den Ausbau unserer Beziehungen zu den Gemeinschaften, in denen wir tätig sind, schaffen Möglichkeiten für unterrepräsentierte Talente und fördern größere Innovationen für unsere Kunden. Ihre Wirkung reicht über Rubrik hinaus und trägt zu sichereren und stärkeren Gemeinschaften bei.
GLEICHER ARBEITGEBER/VETERANEN/BEHINDERTE
Rubrik ist ein Arbeitgeber, der Chancengleichheit bietet. Alle qualifizierten Bewerber erhalten eine Anstellung ohne Rücksicht auf Rasse, Hautfarbe, Religion, Geschlecht, sexuelle Orientierung, Geschlechtsidentität, nationale Herkunft, Alter, Behinderung, genetische Informationen, geschützten Veteranenstatus oder andere gesetzlich geschützte Merkmale. Rubrik bietet Mitarbeitern und Bewerbern gleiche Beschäftigungsmöglichkeiten in allen Bedingungen und Konditionen der Beschäftigung, einschließlich Rekrutierung, Einstellung, Beförderung, Vergütung, Schulung, Urlaub und Kündigung.
Rubrik bietet qualifizierten Bewerbern und Mitarbeitern mit Behinderungen angemessene Vorkehrungen gemäß geltendem Recht. Wenn Sie eine Vorkehrung benötigen, um am Bewerbungsprozess teilzunehmen oder Ihre Arbeit auszuführen, kontaktieren Sie bitte hr@rubrik.com [hr@rubrik.com]. Vorkehrungen können Änderungen des Bewerbungsprozesses, Dokumente in einem alternativen Format, einen Gebärdensprachdolmetscher oder spezielle Ausrüstung umfassen.
EEO IST DAS GESETZ eeoc.gov/sites/default/files/2023-06/22-088_EEOC_KnowYourRights6.12ScreenRdr.pdf
HINWEIS AUF ARBEITNEHMERRECHTE NACH BUNDESARBEITSGESETZEN dol.gov/sites/dolgov/files/olms/regs/compliance/eo_posters/employeerightsposter2page_19final.pdf
Rubrik (RBRK), das Unternehmen für Sicherheit und KI-Betrieb, steht an der Schnittstelle von Datenschutz, Cyber-Resilienz und Beschleunigung von Unternehmens-KI. Rubrik Security Cloud liefert vollständige Cyber-Resilienz, indem es Daten, Identitäten und Workloads in der Cloud sichert, überwacht und wiederherstellt. Rubrik Agent Cloud beschleunigt die Bereitstellung von trustwürdigen KI-Agenten im großen Maßstab, indem es Agentenaktionen überwacht und auditiert, Echtzeit-Schutzmechanismen durchsetzt, auf Genauigkeit feinabstimmt und Agentenfehler rückgängig macht.
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen