وظيفة مهندس تعلم آلة أول - كشف البرامج الضارة شاغرة لدى Jobgether في السعودية
Senior ML Engineer - Malware Detection
تفاصيل الوظيفة
Jobgether تعلن، بالنيابة عن شركة شريكة، عن وظيفة مهندس تعلم آلة أول - كشف البرامج الضارة (Senior ML Engineer - Malware Detection) للعمل عن بُعد في السعودية.
نبذة عن الوظيفة
سيعمل مهندس التعلم الآلي الأول على تطوير ونشر حلول متقدمة للتعلم الآلي لكشف البرامج الضارة المستندة إلى الويب في بيئات استضافة لينكس واسعة النطاق. بالاستفادة من مجموعة بيانات ضخمة تحتوي على عينات برمجيات ضارة حقيقية، وقرارات المحللين، وقواعد الكشف، ونتائج التنظيف، ستقوم بتحويل ذكاء الإنتاج إلى أنظمة أمنية أكثر دقة وكفاءة. سيمتد عملك ليشمل التعلم الآلي التقليدي، ونماذج المحولات (Transformer)، والفرز المدعوم بنماذج اللغة الكبيرة (LLM)، والتوليد الآلي للتوقيعات. ستتحمل مسؤولية الرحلة من البيانات الخام والتجارب إلى النشر في الإنتاج، ويُقاس النجاح بتحسينات حقيقية في الكشف ومعدلات إيجابية كاذبة مضبوطة. بالتعاون الوثيق مع محللي البرامج الضارة ومتخصصي البنية التحتية وزملائك من مهندسي التعلم الآلي، ستحصل على موارد GPU مخصصة وأدوات تطوير حديثة مدعومة بالذكاء الاصطناعي. هذه الفرصة القائمة على العمل عن بُعد مثالية لممارس تعلم آلة متمرس يزدهر في التجارب والتقييم الدقيق وتحقيق تأثير أمني إلكتروني قابل للقياس.
المهام والمسؤوليات
- تطوير نماذج التعلم الآلي: تصميم وتدريب وضبط ونشر نماذج تعلم آلي باستخدام بيانات البرامج الضارة الإنتاجية لتحسين تغطية الكشف ورصد التهديدات التي قد تفوتها التوقيعات والقواعد التقليدية.
- تصنيف البرامج الضارة وفرزها: تطوير نماذج تميز الملفات الضارة من المحتوى الآمن، وتحدد أولويات الملفات المشبوهة للفحص العميق، وتوجيه العينات إلى محركات الكشف الأنسب.
- التوليد الآلي للتوقيعات: بناء أنظمة تولد توقيعات كشف من حملات البرامج الضارة الناشئة، مما يساعد محللي الأمن على الاستجابة بشكل أسرع للتهديدات الجديدة والمتطورة.
- كشف التهديدات الحساسة للسياق: تطوير طرق لتحديد المحتوى الضار الذي يتطلب تحليلًا سياقيًا، بما في ذلك صفحات التصيد، وقذائف الويب، وحقن البرامج النصية، ومكونات المواقع المخترقة.
- تحسين الكشف والتنظيف: تحسين دقة الكشف وفعالية التنظيف بحيث تبقى المواقع المصابة نظيفة بعد المعالجة ويمكن تحديد التهديدات المتكررة.
- تقييم النماذج والتحقق منها: وضع أطر تقييم صارمة باستخدام تقسيمات مجموعات البيانات الزمنية والقائمة على الحملات، وحالات الإيجابيات والسلبيات الكاذبة التاريخية، واختبارات الانحدار لمنع تسرب البيانات والتحقق من التحسينات قبل النشر.
- تحسين الاستدلال والموارد: تحسين إنتاجية النموذج وزمن الاستجابة واستخدام وحدة المعالجة المركزية واستهلاك الذاكرة والتكلفة لكل ملف لدعم النشر الموثوق عبر أساطيل الاستضافة الكبيرة.
- النشر في الإنتاج والمراقبة: نقل النماذج من مرحلة التجارب إلى الإنتاج باستخدام عمليات النشر التجريبي والإصدارات الخاضعة للرقابة لجمع الأدلة قبل تفعيل الكشف المباشر.
- التعلم المستمر وإعادة التدريب: دمج ملاحظات المحللين الجديدة والسلبيات الكاذبة المحددة حديثًا في مجموعات التدريب، وإنشاء دورات إعادة تدريب منتظمة، ومراقبة الاتجاهات في معدلات الكشف وأداء النموذج.
- البنية التحتية للتعلم الآلي والتجارب: تطوير خطوط تدريب قابلة لإعادة الاستخدام، وصيانة أدوات مجموعات البيانات، والاستخدام الفعال لموارد GPU، وتمكين جهود بحث وتطوير متوازية متعددة.
- التعاون عبر الفرق: العمل عن كثب مع محللي البرامج الضارة ومهندسي الكشف وفرق البنية التحتية للتحقيق في حالات فشل الكشف التي أبلغ عنها العملاء، وفهم التهديدات الناشئة، وترجمة النتائج التشغيلية إلى تحسينات في النماذج.
- التوثيق الفني ومشاركة المعرفة: توثيق القرارات المعمارية وطرق التقييم وقيود النماذج ومتطلبات الأجهزة ونتائج الإنتاج. المشاركة في التعاون غير المتزامن وتحليلات ما بعد الحادث الخالية من اللوم لتحسين الممارسات الهندسية باستمرار.
- تحقيق المعالم الزمنية: تدريب وتقييم نموذج أولي على بيانات الإنتاج خلال الشهر الأول، وإدخال نماذج متعددة إلى الإنتاج أو الاختبار التجريبي بحلول الشهر الثالث، والمساعدة في جعل التعلم الآلي مصدرًا رئيسيًا للكشف الجديد خلال السنة الأولى.
الشروط والمتطلبات
- خبرة إنتاجية في التعلم الآلي: خمس سنوات على الأقل من الخبرة في بناء ونشر أنظمة التعلم الآلي في الإنتاج، بما في ذلك سنتان على الأقل في مجال عدائي مثل الأمن السيبراني أو الاحتيال أو البريد العشوائي أو منع الإساءة.
- خبرة في نماذج المحولات: خبرة عملية في تدريب وضبط نماذج المحولات، بما في ذلك إعداد البيانات، وترميز الرموز، وLoRA/QLoRA أو الضبط الكامل، والتقطير، والكمية. يجب أن تتجاوز الخبرة مجرد استدعاء واجهات برمجة تطبيقات النماذج المستضافة.
- التعلم الآلي التقليدي: فهم قوي لتعزيز التدرج (Gradient Boosting)، والنماذج الخطية ذات الميزات المتناثرة، ومعايرة الاحتمالات، وعدم توازن الفئات، والقدرة على تحديد متى تتفوق طرق التعلم الآلي التقليدية على الأساليب القائمة على نماذج اللغة الكبيرة.
- تقييم صارم للنماذج: خبرة في تصميم تقسيمات خالية من تسرب البيانات حسب الزمن وعائلة البرامج الضارة، وتقييم الدقة تحت قيود إيجابية كاذبة ثابتة، وصيانة مجموعات بيانات الانحدار، وفهم حدود التقييم غير المتصل عند التنبؤ بأداء الإنتاج.
- تحسين الاستدلال والتكلفة: قدرة مثبتة على قياس الإنتاجية وزمن الاستجابة وتحسين النماذج لقيود وحدة المعالجة المركزية والذاكرة والتكاليف التشغيلية. الإلمام بتقنيات مثل ONNX وllama.cpp وvLLM وint8/int4 quantization يُعد ميزة.
- المكدس التقني: مهارات قوية في Python وPyTorch وHugging Face، بالإضافة إلى خبرة في SQL لتحليل مجموعات البيانات الكبيرة باستخدام ClickHouse أو قواعد بيانات تحليلية مماثلة.
- الإلمام بتقنيات الويب: خبرة في PHP أو JavaScript، أو الاستعداد لتعلم هذه التقنيات أثناء التعاون مع محللي البرامج الضارة.
- الهندسة المدعومة بالذكاء الاصطناعي: استخدام يومي لوكلاء البرمجة بالذكاء الاصطناعي، مع القدرة على إظهار كيف يدعمون التطوير والتحقيق والإنتاجية الهندسية.
- التواصل الكتابي: إجادة اللغة الإنجليزية بمستوى B2 أو أعلى، مع مهارات تواصل كتابي قوية بشكل خاص للتوثيق الفني والتعاون غير المتزامن.
- المهارات التحليلية وحل المشكلات: القدرة على التحقيق في مشكلات الكشف المعقدة، وتفسير نتائج النموذج، واتخاذ مقايضات تقنية سليمة، وترتيب أولويات التحسينات القابلة للقياس على المقاييس التجريبية وحدها.
- الملكية والتعاون: الراحة في تحمل المسؤولية من التجارب إلى الإنتاج، والعمل بشكل وثيق مع فرق متعددة التخصصات، والمساهمة في ثقافة التحسين المستمر.
عرض النص الأصلي للإعلان
This position is listed on behalf of a partner company, who manages all applications and next steps. Our partner is looking for a Senior ML Engineer - Malware Detection based remotely in Saudi Arabia.
The Senior ML Engineer will develop and deploy advanced machine learning solutions to detect web-based malware across large-scale Linux hosting environments. Working with an extensive dataset of real-world malware samples, analyst decisions, detection rules, and cleanup outcomes, you will transform production intelligence into more accurate and efficient security systems. Your work will span classical machine learning, transformer models, LLM-assisted triage, and automated signature generation. You will own the journey from raw data and experimentation to production deployment, with success measured by real detection improvements and controlled false-positive rates. Collaborating closely with malware analysts, infrastructure specialists, and fellow ML engineers, you will have access to dedicated GPU resources and modern AI-assisted development tools. This remote-first opportunity is ideal for an experienced ML practitioner who thrives on experimentation, rigorous evaluation, and delivering measurable cybersecurity impact.
Accountabilities
You will lead the development, evaluation, and deployment of machine learning systems that improve malware detection at scale while balancing accuracy, operational costs, and resource constraints. Your key responsibilities will include:
The ideal candidate combines substantial production ML experience with hands-on transformer expertise, strong evaluation discipline, and the ability to engineer efficient models for adversarial security environments. You should be comfortable making evidence-based decisions, communicating asynchronously, and taking ownership of the full ML lifecycle. Key qualifications include:
We use an AI-powered matching process to ensure your application is reviewed quickly, objectively, and fairly against the role's core requirements. Our system identifies the top-fitting candidates, and this shortlist is then shared directly with the hiring company. The final decision and next steps (interviews, assessments) are managed by their internal team.
We appreciate your interest and wish you the best!
Why Apply Through Jobgether?
Data Privacy Notice: By submitting your application, you acknowledge that Jobgether will process your personal data to evaluate your candidacy and share relevant information with the hiring employer. This processing is based on legitimate interest and pre-contractual measures under applicable data protection laws (including GDPR). You may exercise your rights (access, rectification, erasure, objection) at any time.
We may use artificial intelligence (AI) tools to support parts of the hiring process, such as reviewing applications, analyzing resumes, or assessing responses and identifying potential inconsistencies or verification signals in application materials based on available information. These tools assist our recruitment team but do not replace human judgment. Final hiring decisions are ultimately made by humans. If you would like more information about how your data is processed, please contact us.
The Senior ML Engineer will develop and deploy advanced machine learning solutions to detect web-based malware across large-scale Linux hosting environments. Working with an extensive dataset of real-world malware samples, analyst decisions, detection rules, and cleanup outcomes, you will transform production intelligence into more accurate and efficient security systems. Your work will span classical machine learning, transformer models, LLM-assisted triage, and automated signature generation. You will own the journey from raw data and experimentation to production deployment, with success measured by real detection improvements and controlled false-positive rates. Collaborating closely with malware analysts, infrastructure specialists, and fellow ML engineers, you will have access to dedicated GPU resources and modern AI-assisted development tools. This remote-first opportunity is ideal for an experienced ML practitioner who thrives on experimentation, rigorous evaluation, and delivering measurable cybersecurity impact.
Accountabilities
You will lead the development, evaluation, and deployment of machine learning systems that improve malware detection at scale while balancing accuracy, operational costs, and resource constraints. Your key responsibilities will include:
- Machine Learning Model Development: Design, train, fine-tune, and deploy ML models using production malware data to improve detection coverage and identify threats that traditional signatures and rules may miss.
- Malware Classification and Triage: Develop models that distinguish malicious files from benign content, prioritize suspicious files for deeper inspection, and route samples to the most appropriate detection engines.
- Automated Signature Generation: Build systems that generate detection signatures from emerging malware campaigns, helping security analysts respond faster to new and evolving threats.
- Context-Aware Threat Detection: Develop methods to identify malicious content that requires contextual analysis, including phishing pages, webshells, script injections, and compromised website components.
- Detection and Cleanup Optimization: Improve detection precision and cleanup effectiveness so that infected websites remain clean after remediation and recurring threats can be identified.
- Model Evaluation and Validation: Establish rigorous evaluation frameworks using time-based and campaign-based dataset splits, historical false-positive and false-negative cases, and regression testing to prevent data leakage and verify improvements before deployment.
- Inference and Resource Optimization: Optimize model throughput, latency, CPU usage, memory consumption, and cost per file to support reliable deployment across large hosting fleets.
- Production Deployment and Monitoring: Move models from experimentation into production, using shadow deployments and controlled releases to gather evidence before enabling live detection.
- Continuous Learning and Retraining: Incorporate fresh analyst feedback and newly identified false negatives into training datasets, establish regular retraining cycles, and monitor trends in detection rates and model performance.
- ML Infrastructure and Experimentation: Develop reusable training pipelines, maintain dataset tooling, make effective use of GPU resources, and enable multiple parallel research and development efforts.
- Cross-Functional Collaboration: Work closely with malware analysts, detection engineers, and infrastructure teams to investigate customer-reported detection failures, understand emerging threats, and translate operational findings into model improvements.
- Technical Documentation and Knowledge Sharing: Document architectural decisions, evaluation methods, model limitations, hardware requirements, and production results. Participate in asynchronous collaboration and blameless post-mortems to continuously improve engineering practices.
- Delivery Against Milestones: Train and evaluate an initial production-data model during the first month, bring multiple models into production or shadow testing by month three, and help establish ML as a major source of new detections within the first year.
The ideal candidate combines substantial production ML experience with hands-on transformer expertise, strong evaluation discipline, and the ability to engineer efficient models for adversarial security environments. You should be comfortable making evidence-based decisions, communicating asynchronously, and taking ownership of the full ML lifecycle. Key qualifications include:
- Production ML Experience: At least five years of experience building and deploying machine learning systems in production, including at least two years in an adversarial domain such as cybersecurity, fraud, spam, or abuse prevention.
- Transformer Model Expertise: Practical experience training and fine-tuning transformer models, including data preparation, code tokenization, LoRA/QLoRA or full fine-tuning, distillation, and quantization. Experience should extend beyond calling hosted model APIs.
- Classical Machine Learning: Strong understanding of gradient boosting, linear models with sparse features, probability calibration, class imbalance, and the ability to determine when traditional ML methods outperform LLM-based approaches.
- Rigorous Model Evaluation: Experience designing leakage-free splits by time and malware family, evaluating precision under fixed false-positive constraints, maintaining regression datasets, and understanding the limitations of offline evaluation when predicting production performance.
- Inference and Cost Optimization: Demonstrated ability to measure throughput and latency and optimize models for CPU, memory, and operational cost constraints. Familiarity with technologies such as ONNX, llama.cpp, vLLM, and int8/int4 quantization is valuable.
- Technical Stack: Strong Python, PyTorch, and Hugging Face skills, along with SQL expertise for analyzing large datasets using ClickHouse or comparable analytical databases.
- Web Technology Familiarity: Experience with PHP or JavaScript, or a willingness to learn these technologies while collaborating with malware analysts.
- AI-Assisted Engineering: Daily use of AI coding agents, with the ability to demonstrate how they support development, investigation, and engineering productivity.
- Written Communication: English proficiency at B2 level or higher, with particularly strong written communication skills for technical documentation and asynchronous collaboration.
- Analytical and Problem-Solving Skills: Ability to investigate complex detection problems, interpret model results, make sound technical trade-offs, and prioritize measurable improvements over experimental metrics alone.
- Ownership and Collaboration: Comfort taking responsibility from experimentation through production deployment while working effectively with analysts, engineers, and other stakeholders.
- Web Malware Security: Experience with web malware, webshells, phishing kits, or WordPress security.
- Code-Based Machine Learning: Experience developing models over source code using abstract syntax trees (ASTs), token features, code-focused language models, or graph models of program structure.
- Malware Analysis: Knowledge of malware clustering, similarity analysis, and methods for identifying related samples or emerging campaigns.
- Training Infrastructure: Experience with multi-GPU training on bare-metal infrastructure, MLflow or Weights & Biases, and dataset versioning.
- Systems Programming: Familiarity with Go or Rust for efficient on-server inference.
- Security Research: Published work, technical presentations, or conference talks focused on machine learning for cybersecurity.
- Fully Remote Work: Work remotely with flexibility to organize your schedule and work from different locations worldwide, subject to hiring arrangements.
- Flexible Working Hours: Autonomy to structure your working day in a remote-first, asynchronous environment.
- Paid Vacation: 24 days of paid vacation annually.
- Public Holidays: 10 days of national holidays.
- Sick Leave: Unlimited sick leave.
- Healthcare Support: Financial compensation toward private medical insurance.
- Wellness Benefits: Reimbursement for co-working spaces and gym or sports activities.
- Learning and Development: An education budget and a strong focus on professional growth.
- Innovation Rewards: The opportunity to receive a reward for developing an innovative idea that can be patented.
- Dedicated Technical Resources: Access to dedicated GPU resources and potential additional computing investment supported by evidence-based proposals.
- Challenging Technical Work: Opportunities to work with large-scale real-world malware datasets and develop production ML systems that address evolving cybersecurity threats.
- AI-Enabled Engineering Environment: Access to AI coding agents and integrated development tools to support experimentation, implementation, and collaboration.
We use an AI-powered matching process to ensure your application is reviewed quickly, objectively, and fairly against the role's core requirements. Our system identifies the top-fitting candidates, and this shortlist is then shared directly with the hiring company. The final decision and next steps (interviews, assessments) are managed by their internal team.
We appreciate your interest and wish you the best!
Why Apply Through Jobgether?
Data Privacy Notice: By submitting your application, you acknowledge that Jobgether will process your personal data to evaluate your candidacy and share relevant information with the hiring employer. This processing is based on legitimate interest and pre-contractual measures under applicable data protection laws (including GDPR). You may exercise your rights (access, rectification, erasure, objection) at any time.
We may use artificial intelligence (AI) tools to support parts of the hiring process, such as reviewing applications, analyzing resumes, or assessing responses and identifying potential inconsistencies or verification signals in application materials based on available information. These tools assist our recruitment team but do not replace human judgment. Final hiring decisions are ultimately made by humans. If you would like more information about how your data is processed, please contact us.
المصدر: LinkedIn - أُضيفت للموقع في 26 أكتوبر 2026
رقم الإعلان لدى المصدر: 4482940799
رقم الإعلان لدى المصدر: 4482940799