Navegar
···
Entrar / Registrar
Resumo: Este é um cargo sênior individual contribuinte (IC) para o primeiro engenheiro dedicado de ML, incumbido de construir sistemas de detecção impulsionados por ML para segurança de APIs desde o início e moldar a direção técnica. Pontos de destaque: 1. Oportunidade de construir uma pilha de ML do zero para segurança de APIs 2. Trajetória clara rumo à liderança técnica como o primeiro engenheiro dedicado de ML 3. Mentalidade de propriedade ponta a ponta na construção e implantação de soluções de ML Desde 2016, a Wallarm tem como missão proteger a infraestrutura crítica da internet: as APIs. Hoje, somos a escolha confiável de mais de 200 das empresas mais inovadoras do mundo, desde startups em rápido crescimento até líderes da Fortune 500 e da Nasdaq. Nossa plataforma unificada oferece segurança de APIs em todo o ciclo de vida — ajudando equipes a descobrir sua superfície de ataque, proteger-se contra ameaças modernas e responder a incidentes em tempo real. Como graduada do Y Combinator e impulsionada recentemente por uma **Série C de US$ 55 milhões**, estamos expandindo nossa equipe global, remota desde o início, composta por mais de 150 inovadores, para resolver os desafios de segurança da próxima geração. Estamos construindo sistemas de detecção impulsionados por ML que protegem APIs contra abusos automatizados, como inserção de credenciais, extração de dados (scraping), enumeração e padrões de ataque que evoluem diariamente. Trata-se de um esforço iniciado do zero: temos os dados e as ideias, mas a infraestrutura de ML, os pipelines e os modelos precisam ser construídos do zero. Você será o primeiro engenheiro dedicado de ML da equipe, trabalhando em estreita colaboração com engenheiros, pesquisadores de segurança e profissionais de DevOps. Este é um cargo sênior IC com uma trajetória clara rumo à liderança técnica — planejamos expandir a função de ML em torno desta contratação. ### **O que você fará** * Construir a pilha de ML do zero — Projetar e implementar os pipelines de dados, a extração de características, o treinamento de modelos e a infraestrutura de serviço necessários para detecção de anomalias em produção. * Detectar anomalias no tráfego de APIs — Seu principal resultado inicial: construir um sistema que identifique padrões comportamentais maliciosos em sessões de clientes com alta precisão e revocação, treinado por cliente. * Assumir a propriedade do ciclo de vida completo — Desde a exploração de dados brutos e engenharia de características até o desenvolvimento, avaliação, implantação e monitoramento contínuo dos modelos. Sem transferências para uma equipe separada de "produção". * Projetar experimentos e métricas — Construir avaliações offline, definir métricas de qualidade de detecção e monitorar falsos positivos, deriva (drift) e adaptação adversária. * Trabalhar com dados textuais e estruturados comportamentais — Extrair sinais de sessões de APIs, sequências de requisições, cargas úteis (payloads) e metadados de tráfego usando técnicas de PLN e estatísticas. * Aproveitar LLMs onde elas agregam valor — Explorar modelos baseados em embeddings e abordagens com LLMs aprimoradas para enriquecimento de sinais, classificação e explicabilidade. * Moldar a direção técnica — Documentar descobertas, apresentar a equipes multifuncionais e ajudar a definir a rota estratégica de ML à medida que a equipe cresce. **O que buscamos** **Obrigatório** * 5+ anos em ML Aplicado ou Engenharia de ML com experiência em implantação em produção (não apenas experiências de pesquisa). * Experiência sólida em PLN / dados textuais — trabalho prático com classificação de texto, extração de padrões, tokenização, embeddings ou similar. Trata-se do cerne deste trabalho. * Domínio de Python e sistemas em nível de produção (APIs, pipelines de dados, serviço de modelos). * Habilidades sólidas em engenharia de dados — experiência na construção de pipelines ETL/de dados, trabalho com dados em lote e em fluxo contínuo, e compreensão completa do ciclo de vida de dados de ML (DAGs, versionamento de dados, repositórios de características). * Experiência prática aprofundada nos fundamentos de ML: classificação, detecção de anomalias, agrupamento (clustering), métodos estatísticos — além do julgamento necessário para escolher a abordagem correta para cada problema. * Conforto com dados imperfeitos — rótulos ruidosos, desequilíbrio de classes, distribuições em evolução — e estratégias práticas para rotulagem, avaliação e lançamento de modelos confiáveis. * Mentalidade de propriedade ponta a ponta — capacidade de levar um problema desde os dados brutos até a implantação em produção, trabalhando com DevOps para implantar a infraestrutura necessária. * Habilidades fortes em experimentação: prototipar rapidamente, projetar avaliações rigorosas, medir resultados e analisar trade-offs (custo, qualidade, latência).**Fortemente preferencial** * Experiência em domínios onde adversários se adaptam ativamente às detecções (fraude, mitigação de bots, prevenção de abusos, spam). A mentalidade de ML para lidar com deriva conceitual (concept drift) e evasão adversária é mais relevante do que conhecimento específico do domínio. * Familiaridade com ferramentas do ciclo de vida de ML: rastreamento de experimentos (MLflow, W&B), versionamento de modelos (DVC), ferramentas de supervisão fraca (Snorkel, cleanlab), monitoramento de deriva (drift). * Experiência com stacks de big data / streaming (Spark, Kafka, BigQuery) ou plataformas de ML em nuvem (AWS SageMaker, GCP Vertex). * Formação em pesquisa de segurança ou inteligência de ameaças (não obrigatória — contexto de domínio pode ser aprendido).**Quem se destaca aqui** * Você é um engenheiro de ML full-stack — igualmente confortável construindo um pipeline de dados e ajustando um modelo, projetando um experimento e implantando-o em produção. * Você já construiu algo do zero antes — sabe o que é necessário para passar de "temos dados e ideias" para "temos um sistema de detecção funcional". * Você se sente motivado pela ambiguidade e pela propriedade — este não é um quadro bem definido de tarefas, mas um espaço aberto de problemas no qual você define o caminho. * Você está preparado para crescer rumo à liderança — orientar engenheiros, moldar a estratégia técnica e assumir a responsabilidade pela rota estratégica de ML à medida que a equipe se expande ao seu redor. * Você aproveita ferramentas modernas (desenvolvimento assistido por IA, fluxos de trabalho aprimorados por LLMs) para avançar mais rapidamente sem comprometer a qualidade.
