Instrutor de AI Security | Foco em Segurança de Machine Learning

Descrição da Vaga

Requisitos

• ✓2+ anos de experiência em segurança da informação combinada com atuação prática em machine learning ou adversarial ML.
• ✓Vivência real com ao menos um dos seguintes contextos: red teaming/pentest de modelos de ML (poisoning, evasão, extração e inferência), hardening e defesa adversarial de modelos já em produção, ou MLSecOps (monitoramento contínuo, resposta a incidente de modelo comprometido).
• ✓Experiência prática com Python científico aplicado a ML (scikit-learn, PyTorch, pandas/numpy) e capacidade de treinar, avaliar e servir modelos preditivos.
• ✓Familiaridade prática com ART (Adversarial Robustness Toolbox, IBM/Linux Foundation AI & Data) e/ou Foolbox para gerar, avaliar e mitigar ataques adversariais.
• ✓Conhecimento em Threat modeling e frameworks de referência: O pipeline de ML (coleta, treinamento, validação, deploy, serving) como superfície de ataque, diferenciando ML preditivo/discriminativo de LLMs e modelos generativos.
• ✓Conhecimento em MITRE ATLAS aplicado a sistemas de ML: táticas ao longo do ciclo de vida (reconnaissance, ML attack staging, poisoning, evasão, exfiltração).
• ✓Conhecimento em OWASP Machine Learning Security Top 10 e como ele se relaciona com o ATLAS (um cataloga táticas, o outro prioriza riscos).
• ✓Conhecimento em Ataques a modelos de ML clássico: Data e model poisoning: label flipping (indiscriminado e direcionado), backdoor/trojan attacks e clean-label poisoning (feature collision, gradient matching).
• ✓Conhecimento em Evasion attacks: exemplos adversariais com FGSM e PGD (white-box), ataques black-box baseados em consulta, transferability entre modelos, aplicados a classificadores tabulares de fraude/scoring e a detectores de malware.
• ✓Conhecimento em Model extraction (clonagem de modelo proprietário via consultas a API de MLaaS), model inversion (reconstrução de dado de treino) e membership inference.
• ✓Conhecimento em Defesa e hardening: Adversarial training, defensive distillation e outras técnicas de hardening de modelo.
• ✓Conhecimento em Defesas em tempo de inferência (detecção de anomalias na entrada) e defesas contra poisoning no dado de treino (outlier detection, activation clustering).
• ✓Conhecimento em Avaliação e benchmarking de robustez adversarial, incluindo a armadilha de gradient masking/obfuscated gradients e o trade-off robustez vs. acurácia.
• ✓Conhecimento em Privacidade e operação contínua (MLSecOps): Differential privacy aplicada a ML: treinamento privado com DP-SGD (Opacus, TensorFlow Privacy) e o trade-off privacidade vs. utilidade.
• ✓Conhecimento em Watermarking de modelos e defesas operacionais de API contra extração.
• ✓Conhecimento em MLSecOps: monitoramento de drift malicioso (Evidently AI, whylogs), logging/auditoria de consultas e resposta a incidente de modelo comprometido.
• •Pesquisa publicada ou apresentação em eventos sobre adversarial ML ou segurança de machine learning (NeurIPS workshops, USENIX Security, Black Hat, DEF CON AI Village, Mind the Sec ou equivalentes).
• •Experiência real protegendo sistemas de scoring de crédito, detecção de fraude ou classificação de malware baseados em ML em produção.
• •Conhecimento de plataformas de MLaaS comerciais (AWS SageMaker, Google Vertex AI, Azure ML, BigML) e dos riscos específicos de exposição via API.
• •Criação de conteúdo técnico público: artigos, repositórios, cursos ou palestras sobre segurança de machine learning.

Sobre a Empresa

Mais vagas na Grupo Alura →

O Grupo Alura foi fundado em 2004 e, desde então, a nossa missão é transformar a vida pessoal e profissional das pessoas através da educação e da tecnologia. Nosso grupo hoje é formado pela Alura, maior plataforma brasileira de cursos online de tecnologia; Alura Latam, uma extensão da Alura para a A...[Ver Mais]

Informações Adicionais

Você será redirecionado para o site da empresa