AI research scientist

О позиции

Writer — платформа ИИ для амбициозных маркетинговых команд Fortune 500, объединяющая брендную, продуктовую и корпоративную информацию с governance. Автономные агенты системы непрерывно работают с market signals для роста выручки. Мы находимся на точке бифуркации перехода от экспериментов к глубокому внедрению ИИ в бизнес-операции. Как AI Research Scientist вы будете на переднем крае исследований больших языковых моделей, agentic reasoning и системного масштаба. Ваша работа напрямую повлияет на следующие поколения enterprise AI — от post-training и планирования до multi-step reasoning. Публикации в топовых конференциях (NeurIPS, ICLR, ICML, ACL) и реальный production impact идут рука об руку.

Будет плюсом

• Опыт распределённых вычислений и debugging distributed jobs
• Практический опыт deployment production-grade LLM
• Знание emerging alignment techniques beyond классических методов
• Опыт коллаборации cross-functional между research, engineering и product командами
• Бэкграунд в enterprise-scale deployments

Условия

• Generous PTO plus company holidays
• Medical, dental и vision coverage для вас и семьи
• Paid parental leave 16 недель для всех родителей
• Fertility и family planning support
• Early-detection cancer testing через Galleri
• Flexible spending account и dependent FSA опции
• Health savings account с company contribution
• Annual work-life stipends: wellness и learning development
• Company-wide off-sites и team off-sites
• Competitive compensation, company stock options и 401k

Навыки

• Python
• PyTorch
• JAX
• Deep Learning
• Machine Learning
• Natural Language Processing
• Large Language Models
• Reinforcement Learning
• Supervised Fine-Tuning
• RLHF
• DPO
• Model Training
• Data Synthesis
• Evaluation Benchmarks
• Agentic Systems
• Multi-step Reasoning
• Alignment Techniques
• Distributed Computing

Могут спросить на собеседовании

1. Опишите ваше самое значимое исследование в области LLM или agentic systems. Какую проблему вы решали и как измеряли успех?
2. Какой подход к post-training вы бы выбрали для улучшения multi-step reasoning в агентной системе и почему?
3. Расскажите о случае, когда ваши research идеи не сработали как ожидалось. Что вы узнали и как изменили подход?
4. Как вы планируете дизайн evaluation benchmark для новой capabilities агента без clean ground truth?
5. Приведите пример collaborative работы с non-research командами (engineering/product). Какие компромиссы приходилось искать?