Staff Research Scientist - Foundation & World Models

О позиции

В Datadog мы создаём ведущую платформу наблюдаемости и безопасности для эры искусственного интеллекта. В этой роли вы будете частью команды Datadog AI Research (DAIR), занимаясь фундаментальными исследованиями в области foundation моделей и мультимодальности как hands-on индивидуальный вкладчик. Вы продвинете large-scale pre-training и мультимодальное обучение по разнообразным сигналам от распределённых систем, включая метрики, трассировки, логи, топологию и события. Мы ценим офисную культуру — отношения, сотрудничество и креативность, которые она приносит. Офис работает в гибридном режиме для обеспечения work-life harmony.

Чем заниматься

• Руководить исследованиями в области foundation моделей и мультимодального обучения, определяя техническое направление амбициозных исследовательских программ в сфере observability и security
• Полностью отвечать за исследовательские проблемы — от формулировки вопроса до экспериментов, разработки модели и оценки
• Обучать крупномасштабные мультимодальные модели на разнообразных телеметрийных данных: метриках, логах, трассировках, топологии, событиях и других немодальных данных
• Развивать подходы к pre-training, representation learning, scaling и оценке моделей, изучающих динамику сложных распределённых систем
• Сотрудничать с кросс-функциональными командами Research, Product и Engineering для трансформации результатов исследований в масштабируемые возможности Datadog
• Делиться результатами исследований с внешней аудиторией при достижении значимых вех проекта

Что ждут

• PhD в Computer Science, Machine Learning или смежной области, либо эквивалентный опыт
• Глубокая экспертиза в области foundation моделей, world models, мультимодального обучения или генеративного моделирования
• Опыт руководства технически амбициозными исследованиями на существенном масштабе как индивидуальный вкладчик
• Значительный hands-on опыт проектирования, обучения или оценки крупномасштабных deep learning моделей (включая large language models)
• Наличие опыта с мультимодальными или немодальными данными рассматривается как сильное преимущество
• Претендент имеет подтверждённую историю исследовательского влияния через влиятельные публикации, существенные вклады моделей или систем
• Умение задавать техническое направление через влияние без формальной власти
• Опыт менторства исследователей или инженеров
• Желание оставаться глубоко hands-on в исследованиях на долгосрочной основе
• Способность эффективно коммуницировать сложные исследовательские находки перед технической и нетехнической аудиторией

Будет плюсом

• Опыт работы в промышленной лаборатории исследований, стартапе, академической среде или другом исследовательском контексте
• Публикации в рецензируемых конференциях и журналах высокого уровня
• Вклад в open-source проекты или широко используемые исследовательские артефакты
• Опыт обработки сигналов распределённых систем (метрики, логи, трассы)

Условия

• Работа в ведущей компании на стыке observability, security и artificial intelligence
• Возможность работать над фундаментальными исследованиями с реальным производственным impact
• Гибридный формат работы для обеспечения work-life balance
• Команда顶尖исследователей и доступ к современным вычислительным ресурсам
• Возможность публиковать результаты исследований и представлять их на международных конференциях
• Карьерный рост и развитие в одной из ведущих технологических компаний мира
• Международная рабочая среда и глобальное влияние продуктов Datadog

Навыки

• Foundation Models
• World Models
• Multimodal Learning
• Generative Modeling
• Large Language Models
• Pre-training
• Representation Learning
• Transformer Architectures
• Diffusion Models
• Contrastive Learning
• Deep Learning
• PyTorch
• TensorFlow
• MLOps
• Model Evaluation
• Model Scaling
• GPU Training Infrastructure
• Telemetry Systems
• Observability
• Metrics
• Tracing
• Logging
• Graph Representation Learning

Могут спросить на собеседовании

1. Как бы вы подошли к разработке мультимодальной модели для анализа телеметрических данных из распределённых систем?
2. Расскажите о вашем самом значимом исследовательском вкладе и его влиянии.
3. Как вы балансируете между фундаментальными исследованиями и практической применимостью результатов?
4. Какой подход к pre-training вы бы выбрали для больших моделей на разнородных сигналах датчиков и почему?
5. Опишите ситуацию, когда вам пришлось убедить коллег принять ваше техническое направление без формальной власти.