États-Unis
The MITRE Corporation
Rubrik Job Board
Ingénieur Machine Learning Senior
États-Unis
Palo Alto, California, United States
Python
Traduction automatique. Consultez l’original.
À PROPOS DE L'ÉQUIPE ET DU POSTE
Nous construisons SAGE, le moteur d'IA sémantique de Rubrik pour la gouvernance, qui est le premier système conçu pour surveiller, gouverner et corriger les agents IA autonomes en temps réel. SAGE alimente Rubrik Agent Cloud : les entreprises définissent des politiques de gouvernance en langage naturel, et les modèles de langage réduits personnalisés de SAGE agissent comme des juges sur chaque action de l'agent. Ces modèles sont suffisamment rapides pour se trouver dans le chemin de requête en direct et suffisamment précis pour que les clients leur fassent confiance pour les décisions d'autorisation/blocage sur le trafic de production.
Fondamentalement, SAGE est "LLM-as-judge" appliqué à la gouvernance de l'IA, utilisant la même technique que la plupart des équipes utilisent pour l'évaluation hors ligne, mais produite pour l'application en temps réel à l'échelle de l'entreprise. Notre première génération de SLM Policy Guard surpasse déjà les modèles de frontière plus importants avec lesquels nous nous sommes comparés en termes de précision, tout en fonctionnant environ 5 fois plus rapidement sur la même charge de travail. Nous recrutons pour repousser encore plus loin cette avance.
En tant qu'Ingénieur ML Appliqué dans l'équipe SAGE, vous travaillerez de manière intégrée sur le cycle de vie complet des modèles : curation des données, entraînement de petits modèles, leur mise à disposition à latence de production, et fermeture de la boucle de rétroaction avec de véritables signaux clients. Les modèles que vous construirez n'appliqueront pas seulement des politiques dans le chemin de requête en direct ; ils alimenteront également Agent Rewind, la capacité de Rubrik à annuler instantanément et précisément les actions destructrices des agents autonomes et à restaurer les données affectées à un état de confiance.
Nous sommes une équipe collaborative et appliquée qui livre des modèles à des clients d'entreprise en quelques semaines, et nous sommes passionnés par la preuve que des modèles petits et spécialisés peuvent surpasser les LLMs de frontière sur les problèmes les plus importants pour la sécurité et la gouvernance de l'IA.
REJOIGNEZ-NOUS POUR SÉCURISER ET ACCÉLÉRER LA TRANSFORMATION IA MONDIALE
NATURE DES MISSIONS SPÉCIALISÉES
➢ FORMATION, AJUSTEMENT FIN ET DISTILLATION DE MODÈLES DE LANGAGE RÉDUITS ET DE CLASSIFICATEURS DE PRODUCTION (25% DU TEMPS)
- Propriété du cycle de vie complet de l'entraînement pour les SLM et les classificateurs dans le chemin d'application en temps réel de SAGE, y compris la sélection du modèle de base, l'ajustement fin supervisé, l'optimisation des préférences (DPO/RLAIF) et la distillation à partir de modèles enseignants de frontière.
- Entraînement de modèles d'anomalie et de sévérité d'action qui détectent de nouveaux modèles d'attaque côté agent à latence de décision en temps réel, tels que les compromissions de chaîne d'approvisionnement ou les comportements destructeurs émergents non couverts par une politique explicite. Les scores de sévérité acheminent les événements les plus impactants vers Agent Rewind pour une remédiation précise.
- Conception de pipelines d'entraînement contradictoires tels que des agents contradictoires spécialement conçus et des équipes rouges automatisées dont les sorties alimentent directement la prochaine série d'entraînement, transformant chaque faiblesse découverte en une amélioration permanente du modèle.
- Pousser la frontière de Pareto de la précision, de la latence et du coût pour les tâches spécifiques à la gouvernance grâce à des choix délibérés post-entraînement (LoRA, entraînement conscient de la quantification, recettes de distillation, GRPO, etc.) et valider les gains sur les modèles de trafic de production.
➢ INGÉNIERIE DE L'INFRASTRUCTURE DE MISE À DISPOSITION ET D'INférence DE MODÈLES HAUTES PERFORMANCES (25% DU TEMPS)
- Conception de pipelines d'inférence multi-étapes qui gèrent à la fois l'application en temps réel (blocage en ligne des invites, réponses et appels d'outils) et les charges de travail par lots à haut débit (notation hors ligne, tests rétrospectifs, exploration de corpus) tout en traitant des milliards de jetons par jour sur les flottes d'agents de clients mondiaux 2000.
- Optimisation des déploiements en direct grâce à des pools de GPU partagés, un routage conscient du cache KV, le batching continu, la quantification FP8/INT8, et le décodage spéculatif pour minimiser les coûts d'inférence tout en maintenant des SLO P99 inférieurs à la seconde.
- Construction d'une infrastructure de couche de mise à disposition qui permet à SAGE de bloquer les invites, les réponses et les appels d'outils des agents en temps réel sans devenir un goulot d'étranglement de latence. Cela comprend la conception de la passerelle de modèle, le routage des requêtes et la dégradation gracieuse.
- Propriété des modèles de trafic canary, shadow et A/B afin que les nouvelles variantes de modèles soient validées par rapport au trafic client en direct avant qu'elles ne prennent des décisions d'application.
➢ CONSTRUCTION DE PIPELINES DE DONNÉES SYNTHÉTIQUES ET DE CADRES D'ÉVALUATION EN LIGNE + HORS LIGNE (20% DU TEMPS)
- Conception de pipelines automatisés de curation de données qui explorent les environnements clients en direct (avec des garanties de confidentialité et de tenancy) pour des exemples d'entraînement de grande valeur par locataire, tels que des violations de la longue traîne, des cas limites de politiques manquées de peu, ou de nouveaux comportements d'agents, et les réacheminent dans la boucle d'entraînement pour chaque client.
- Construction de tests rétrospectifs automatisés de politiques en rejouant le trafic historique des agents contre de nouvelles versions de modèles et de politiques pour détecter les régressions et recommander des améliorations de politiques avant le déploiement visible par le client.
- Construction de systèmes d'évaluation en ligne pour les décisions de modèles en direct, y compris la notation shadow, la détection de dérive, la surveillance de la calibration et l'analyse des lacunes de couverture des politiques, garantissant que les régressions de qualité apparaissent en quelques minutes plutôt qu'en quelques semaines.
- Génération de données synthétiques à l'aide d'enseignants de frontière (invites contradictoires, cas limites de politiques, interactions multi-tours) avec une évaluation qui confirme que les données synthétiques améliorent la qualité en aval, et pas seulement la taille de l'ensemble de données.
➢ EXPLORATION DES INFORMATIONS, DIAGNOSTIC DES ÉCHECCS ET AMÉLIORATION ADAPTATIVE DES MODÈLES (15% DU TEMPS)
- Construction de systèmes de mémoire et de contexte qui fusionnent la sensibilité des données, l'identité et le comportement historique des agents dans les décisions d'application en temps réel pour garantir que SAGE raisonne à partir du contexte spécifique de chaque client.
- Exploration des informations sur les agents à travers des millions de sessions pour révéler des lacunes de sécurité, qui sont ensuite transformées en nouvelles propositions de politiques, en raffinements des politiques existantes, et en signaux sur les problèmes en amont dans l'écosystème des agents (Google ADK, Azure AI Foundry, Vertex AI, et autres).
- Construction de boucles de rétroaction qui transforment les décisions de production, les faux positifs signalés par les clients et les violations manquées en raffinements de politiques en langage naturel en un clic pour réduire les taux de faux positifs sans sacrifier le rappel.
- Diagnostic des échecs de modèles de bout en bout et distinction des causes profondes liées aux données, aux recettes d'entraînement, à l'architecture et à la couche de mise à disposition, afin que les correctifs soient appliqués à la bonne couche dès la première fois.
➢ COLLABORATION INTERFONCTIONNELLE ET TRADUCTION DE LA RÉALITÉ CLIENT EN PROBLÈMES DE MODÉLISATION (15% DU TEMPS)
- Fournir un leadership technique sur un pilier de la pile de modèles SAGE (infrastructure d'entraînement, méthodologie d'évaluation, architecture de mise à disposition, ou pipeline d'informations), encadrer les ingénieurs qui montent en compétence en ML, et façonner la feuille de route technique de l'équipe.
- Collaborer avec la gestion de produit, les équipes en contact avec les clients et les analystes de sécurité pour traduire les exigences de gouvernance des agents des clients en problèmes de modélisation bien définis, et refuser lorsque le ML n'est pas l'outil approprié.
- Communiquer clairement le comportement des modèles, les compromis et les limitations aux parties prenantes non-ML, telles que les chefs de produit et les responsables de la sécurité d'entreprise, afin que les décisions relatives aux modèles soient prises avec un contexte complet.
- Collaborer avec les équipes de la plateforme Agent Cloud, d'ingénierie de la sécurité et de recherche IA pour intégrer de nouveaux SLM dans le chemin d'application en temps réel avec la latence, l'observabilité, le rollback et les garanties de tenancy appropriés.
EXIGENCES MINIMALES POUR LE POSTE
Formation : Un diplôme de licence (ou supérieur) en informatique, Machine Learning, génie informatique, statistiques ou un domaine technique étroitement lié est requis. La conception de systèmes d'entraînement et de mise à disposition de SLM en production nécessite une compréhension théorique approfondie du deep learning moderne, de l'optimisation et des performances des systèmes.
CONNAISSANCES TECHNIQUES SPÉCIALISÉES
- 2+ années d'expérience professionnelle en ML avec une propriété de production de bout en bout démontrable ; vous avez pris des modèles de l'entraînement à la mise à disposition du trafic client réel et en êtes resté responsable tout au long de l'itération post-lancement.
- Maîtrise de Python et PyTorch (ou équivalent) pour l'entraînement et l'évaluation de qualité production.
- Expérience pratique dans l'entraînement, l'ajustement fin ou la distillation de modèles de langage ou de classificateurs dans un environnement de production, y compris SFT et au moins une technique d'optimisation des préférences (DPO, RLAIF ou RLHF).
- Expérience de production avec des frameworks de mise à disposition (vLLM, SGLang, TensorRT-LLM, ou équivalent), y compris l'optimisation impliquant le batching continu, la stratégie de cache KV et la quantification au moment de l'inférence.
- Expérience dans la conception de systèmes ML en boucle fermée, y compris l'infrastructure d'évaluation, de télémétrie, de curation de données et de données synthétiques qui transforment les signaux de production en données d'entraînement et en la prochaine version du modèle. Vous avez construit (pas seulement utilisé) au moins une telle boucle.
- Confort dans l'opération à l'échelle de production, y compris le débogage de modèles qui gèrent un QPS élevé dans des chemins de requête critiques pour la sécurité où les erreurs ont des conséquences visibles par le client.
QUALIFICATIONS PRÉFÉRENTIELLES
- Solide expérience en sécurité IA et en red-teaming, y compris une expérience pratique avec le ML contradictoire, les stratégies de défense contre l'injection d'invites et les suites d'évaluation automatisées pour la sécurité LLM de niveau entreprise.
- Expertise en méthodologie d'évaluation de modèles, spécifiquement dans la construction de pipelines "LLM-as-judge", la surveillance de la calibration et les benchmarks contradictoires qui révèlent les modes d'échec subtils que les métriques statiques négligent souvent.
- Expérience avec la fusion de contexte et les systèmes de récupération qui synthétisent des signaux disparates - tels que la sensibilité des données, l'identité de l'utilisateur et l'historique comportemental - en décisions de modèles de haute fidélité.
- Expérience de production avec l'inférence à faible latence pour les chemins de requête en streaming ou critiques pour la sécurité où le débit du modèle et les SLO P99 sont primordiaux.
- Maîtrise de l'entraînement efficace en étiquettes et de l'exploration de données, en utilisant la supervision faible, l'apprentissage actif et la récupération basée sur les embeddings pour identifier les exemples de production qui apportent les améliorations de qualité les plus significatives.
- Expérience pratique de la distillation des connaissances, transférant avec succès les capacités des modèles enseignants de frontière vers des modèles étudiants spécialisés à petite échelle pour la mise à disposition en production.
- Familiarité avec l'écosystème des agents, y compris les frameworks d'utilisation d'outils, les architectures de passerelles de modèles (MCP, LiteLLM, ou équivalent) et les modèles d'agents autonomes.
- Contributions actives open-source aux bibliothèques grand public d'entraînement, de mise à disposition ou d'évaluation ML.
INCLUSION @ RUBRIK
Les salaires de base minimum et maximum pour ce poste sont indiqués ci-dessous ; en outre, le poste est éligible à un potentiel de bonus, à des actions et à des avantages sociaux. La fourchette indiquée reflète la cible minimum et maximum pour les salaires des nouveaux employés pour le poste, en fonction de la localisation aux États-Unis. Dans la fourchette, le salaire proposé sera déterminé par le lieu de travail et des facteurs supplémentaires, notamment les compétences liées au poste, l'expérience et la formation ou l'éducation pertinentes.
Gamme de salaires aux États-Unis $188,500—$282,700 USD
Linkedin linkedin.com/company/rubrik-inc/mycompany/verification/ | X (anciennement Twitter) twitter.com/rubrikinc | Instagram instagram.com/rubrikinc/ | Rubrik.com rubrik.com
Chez Rubrik, nous nous engageons à favoriser une culture où les personnes de tous horizons sont valorisées, se sentent appartenir et croient pouvoir réussir. Notre engagement envers l'inclusion est au cœur de notre mission de sécuriser les données mondiales.
Notre objectif est d'embaucher et de promouvoir les meilleurs talents, indépendamment de leur origine. Nous examinons continuellement nos pratiques d'embauche pour garantir l'équité et nous nous efforçons de créer un environnement où chaque employé a un accès égal aux opportunités de croissance et d'excellence. Nous croyons en la capacité de chacun à être authentique au travail et à réaliser son plein potentiel.
NOTRE STRATÉGIE D'INCLUSION SE CONCENTRE SUR TROIS DOMAINES CLÉS DE NOTRE ACTIVITÉ ET DE NOTRE CULTURE
- Notre entreprise : Nous nous engageons à construire une organisation basée sur le mérite qui offre un accès égal à la croissance et au succès pour tous les employés dans le monde. Votre potentiel est illimité ici.
- Notre culture : Nous nous efforçons de créer une atmosphère inclusive où les individus de tous horizons ressentent un fort sentiment d'appartenance, peuvent prospérer et faire leur meilleur travail. Vos contributions nous aident à innover et à repousser les limites.
- Nos communautés : Nous nous engageons à élargir notre engagement auprès des communautés dans lesquelles nous opérons, en créant des opportunités pour les talents sous-représentés et en stimulant une plus grande innovation pour nos clients. Votre impact s'étend au-delà de Rubrik, contribuant à des communautés plus sûres et plus fortes.
EMPLOYEUR GARANTISSANT L'ÉGALITÉ DES CHANCES / VÉTÉRANS / PERSONNES HANDICAPÉES
Rubrik est un employeur garantissant l'égalité des chances. Tous les candidats qualifiés recevront une considération pour l'emploi sans distinction de race, de couleur, de religion, de sexe, d'orientation sexuelle, d'identité de genre, d'origine nationale, d'âge, de handicap, d'informations génétiques, de statut de vétéran protégé ou de tout autre statut protégé par la loi applicable. Rubrik offre des opportunités d'emploi égales aux employés et aux candidats dans toutes les conditions d'emploi, y compris le recrutement, l'embauche, la promotion, la rémunération, la formation, les congés et le licenciement.
Rubrik fournit des aménagements raisonnables aux candidats et employés qualifiés ayant un handicap conformément à la loi applicable. Si vous avez besoin d'un aménagement pour participer au processus de candidature ou pour exercer votre emploi, veuillez contacter hr@rubrik.com [hr@rubrik.com]. Les aménagements peuvent inclure des modifications du processus de candidature, des documents dans un format alternatif, un interprète en langue des signes ou un équipement spécialisé.
L'ÉGALITÉ DES CHANCES EST LA LOI eeoc.gov/sites/default/files/2023-06/22-088_EEOC_KnowYourRights6.12ScreenRdr.pdf
NOTIFICATION DES DROITS DES EMPLOYÉS EN VERTU DES LOIS FÉDÉRALES DU TRAVAIL dol.gov/sites/dolgov/files/olms/regs/compliance/eo_posters/employeerightsposter2page_19final.pdf
Rubrik (RBRK), la société de sécurité et d'opérations IA, est à la pointe de la protection des données, de la résilience cybernétique et de l'accélération de l'IA d'entreprise. Rubrik Security Cloud offre une résilience cybernétique complète en sécurisant, surveillant et récupérant les données, les identités et les charges de travail dans tous les clouds. Rubrik Agent Cloud accélère les déploiements d'agents IA de confiance à grande échelle en surveillant et en auditant les actions des agents, en appliquant des garde-fous en temps réel, en affinant la précision et en annulant les erreurs des agents.
Plus d’opportunités avec un seul profil
Vous souhaitez accéder à plus de postes sans répéter tout le processus ? Créez votre profil pour être trouvé par les entreprises utilisant Nort.
Créer mon profil