En un coup d'œil
- Missions: Dirigez la science appliquée pour GenSim et construisez des environnements simulés innovants.
- Entreprise: Datadog, leader en observabilité et sécurité pour l'ère de l'IA.
- Avantages: Actions RSU, développement professionnel continu et culture d'inclusion.
- Autres infos: Travaillez dans un environnement dynamique avec des opportunités de croissance de carrière.
- Pourquoi ce job: Relevez des défis uniques en IA et impactez le futur des systèmes de surveillance.
- Qualifications: Doctorat ou expérience équivalente en sciences, avec expertise en LLM et données post-formation.
Le salaire estimé est compris entre 61650 - 75350 € par an.
AI Platform construit les fondations des efforts d'IA de Datadog. L'organisation compte plus de 70 personnes organisées en trois piliers : formation et service (clusters GPU, formation distribuée, infrastructure de bas niveau), agents (harnachements d'agents, systèmes de mémoire, la passerelle interne d'IA qui achemine chaque demande LLM chez Datadog) et évaluation et expérimentation. Ce rôle se situe dans le pilier d'évaluation et d'expérimentation, qui possède l'infrastructure d'annotation et d'évaluation partagée de Datadog - y compris le magasin de scénarios d'évaluation et les systèmes d'archivage de télémétrie utilisés dans toute l'organisation Bits. Ensemble, ils permettent à un agent de voyager dans le temps et de consulter à quoi ressemblait Datadog au moment exact où un incident s'est produit, afin que les scénarios puissent être rejoués et que la performance de l'agent soit suivie dans le temps.
Vous serez spécifiquement le premier scientifique appliqué sur GenSim (Simulations Génératives), l'équipe qui construit les environnements dans lesquels les agents de Datadog apprennent. GenSim ne rejoue pas de télémétrie échantillonnée - il met en place de vraies applications entièrement instrumentées qui communiquent avec Datadog, les alimente avec un trafic représentatif, injecte des pannes contrôlées et enregistre ce qui se passe. Parce que GenSim a injecté la panne, il connaît la vérité de base. Ce corpus - des centaines de scénarios dérivés de post-mortem et des milliers d'applications exécutables - est aujourd'hui la principale source de données post-formation pour le modèle SRE de Datadog lui-même, et le substrat contre lequel Bits AI SRE et nos autres agents sont formés et évalués. L'équipe n'a actuellement aucun soutien en science appliquée et apprend la méthodologie des données post-formation sur le tas. C'est le vide que ce rôle comble, et les questions ouvertes sont la partie intéressante.
Ce que vous ferez :
- Posséder la direction scientifique appliquée pour GenSim : définir la méthodologie et les décisions techniques à long terme sur la manière dont les environnements simulés et les données post-formation doivent être construits, dans une équipe où cette prise de décision n'existe pas encore.
- Définir, mesurer et améliorer la qualité des données post-formation - correction de base, représentativité par rapport à la véritable distribution des systèmes clients et télémétrie de production, et difficulté - et faire de ces mesures quelque chose sur lequel l'équipe peut agir à chaque version.
- Réduire l'écart de réalisme. Les environnements simulés sont aujourd'hui trop propres et les problèmes injectés ne sont pas encore assez difficiles ; vous dirigerez la recherche et l'ingénierie qui les rendront semblables à de véritables systèmes de production imparfaits.
- Construire des systèmes évolutifs de qualité production plutôt que des scripts de recherche. La sortie n'est pas seulement un ensemble de données - c'est un système d'environnements synthétiques qui doit être fiable et invoquable à l'intérieur d'une boucle de formation.
- Déterminer comment ces données sont le mieux appliquées, dans la post-formation LLM et dans l'évaluation, et posséder les approches d'évaluation des agents et des applications LLM pour ces environnements.
- Travailler de manière transversale avec les ingénieurs et les scientifiques appliqués des équipes adjacentes - Bits AI SRE, l'effort de formation de modèle, et le pilier d'évaluation et d'expérimentation plus large - afin que ce que vous apprenez circule librement dans les deux sens.
Qui vous êtes :
- Vous avez un doctorat, un master ou une expérience de recherche équivalente dans un domaine scientifique, avec une solide formation en mathématiques appliquées.
- Plus de 6 ans d'expérience pertinente en science appliquée ou en ingénierie ML, y compris la définition de la direction technique pour les autres.
- Vous avez une expérience pratique avec les données post-formation LLM et agent : comment elles sont créées, gérées, et comment la qualité des données d'entraînement est contrôlée. C'est l'exigence qui compte le plus.
- Vous avez une expertise réelle dans les LLM et les applications agentiques - pas de réglage fin classique de ML. Le réglage fin des classificateurs ou des modèles traditionnels est un problème différent de celui que cette équipe résout.
- Vous avez évalué des agents ou des applications LLM, et pouvez définir ce que signifie 'bon' avant de le mesurer.
- Vous êtes un programmeur solide et un ingénieur logiciel de production. Python au minimum, plus la capacité de livrer des systèmes de production évolutifs et de travailler avec des systèmes distribués.
- Vous collaborez bien avec les équipes d'ingénierie et de science, et vous êtes à l'aise d'être l'expert du domaine qui décide de la suite.
- Vous prospérez dans l'ambiguïté et pouvez prendre des décisions techniques solides lorsque le chemin n'est pas encore défini.
Points bonus :
- Expérience pratique en réglage fin LLM, post-formation ou formation de modèle.
- Connaissances en statistiques, conception d'expériences et analyse de données.
- Expérience dans le déploiement d'infrastructures ML de niveau production.
- Connaissance des systèmes d'observabilité ou de surveillance.
- Compréhension au niveau de l'architecture des LLM.
Avantages et croissance :
- Actions de nouveaux employés (RSUs) et plan d'achat d'actions pour employés (ESPP).
- Développement professionnel continu, formation sur les produits et parcours de carrière.
- Programme de mentorat et de buddy intra-départemental pour le réseautage interne.
- Une culture d'entreprise inclusive et la possibilité de rejoindre nos Guildes Communautaires.
- Accès aux Discussions d'Inclusion, nos panels de discussion internes.
- Avantages de santé Spring Health gratuits et globaux pour les employés et les personnes à charge de plus de 6 ans.
- Avantages compétitifs à l'échelle mondiale.
Les avantages et la croissance mentionnés ci-dessus peuvent varier en fonction du pays de votre emploi et de la nature de votre emploi chez Datadog.
Senior Applied Scientist - AI Platform in Paris employeur : Datadog, Inc.
Datadog, Inc. est un employeur de choix, offrant un environnement de travail hybride dynamique où l'innovation et la collaboration sont au cœur de notre culture. En tant qu'ingénieur des escalades techniques, vous bénéficierez d'opportunités de croissance professionnelle tout en travaillant sur des technologies de pointe comme Postgres et MySQL, le tout dans une équipe qui valorise le mentorat et le soutien mutuel. Rejoindre Datadog, c'est faire partie d'une entreprise qui place ses employés au centre de sa mission, favorisant ainsi un équilibre entre vie professionnelle et personnelle et un développement continu.
Conseils d'expert StudySmarter🤫
Voici comment nous pensons que tu pourrais décrocher Senior Applied Scientist - AI Platform in Paris
✨Participe à des meetups de data science
Les meetups de data science sont une super opportunité pour rencontrer des professionnels du secteur en personne. Participe à des événements dans ta ville et n'hésite pas à échanger sur des projets personnels ou des datasets intéressants. Cela peut vraiment t'aider à créer des connexions avec des recruteurs ou des collègues potentiels !
✨Montre tes compétences avec des projets
Rien ne vaut un bon projet pour démontrer tes compétences en data science. Que ce soit un projet sur GitHub ou un blog où tu partages tes analyses, mets en avant ton savoir-faire. Les employeurs adorent voir des exemples concrets de ce que tu sais faire !
✨Vis les forums spécialisés
Rejoins des forums et des communautés en ligne spécifiquement dédiés à la data science, comme Kaggle ou des sous-forums sur Reddit. Non seulement tu pourras apprendre des autres, mais tu seras aussi au courant des opportunités d'emploi qui sont souvent partagées dans ces espaces.
✨Postule directement sur le site de Datadog, Inc.
N’oublie pas de consulter notre site web pour des offres de full-time en data science chez Datadog, Inc.. C'est souvent là qu’on affiche nos postes en premier, et postuler directement peut te donner un avantage ! Fais-le !
Nous pensons qu'il te faut ces compétences pour exceller en tant que Senior Applied Scientist - AI Platform in Paris
Quelques conseils pour ta candidature 🫡
Mets en avant tes compétences techniques:Pour le poste de data scientist chez Datadog, Inc., il est crucial de montrer tes compétences techniques. Assure-toi que ton CV liste des outils et langages de programmation que tu maîtrises, comme Python, R, ou SQL. N'oublie pas d'inclure des projets où tu as utilisé ces compétences, comme des analyses de données ou des modèles prédictifs.
Fais briller tes expériences de projet:Parle de tes projets en data science de manière détaillée dans ta lettre de motivation ou ton CV. Décris les problèmes que tu as résolus, les méthodes que tu as employées, et les résultats obtenus. Ça montrera à Datadog, Inc. que tu sais appliquer la théorie à la pratique, ce qui est super important dans ce domaine.
Personnalise ta lettre de motivation:Quand tu rédiges ta lettre de motivation, mets l'accent sur pourquoi tu veux travailler spécifiquement chez Datadog, Inc.. Mentionne ce qui te passionne dans leurs projets ou leurs valeurs, et comment tes aspirations s'alignent avec celles de l'entreprise. Ça donnera du poids à ta candidature !
Soigne le format de ton CV:Pour un poste à temps plein, il est essentiel d'avoir un CV clair et bien structuré. N'hésite pas à utiliser des graphiques pour illustrer tes compétences en data science, comme tes niveaux de maîtrise dans différents langages. Sinon, utilise des sections bien définies pour les projets, les expériences et les formations afin que tout soit facile à lire.
Comment te préparer à un entretien d'embauche chez Datadog, Inc.
✨Prépare ton arsenal technique !
En data science, les compétences techniques sont primordiales. Sois prêt à répondre à des questions sur les algorithmes, la modélisation des données, et les langages de programmation comme Python ou R. N'hésite pas à réviser quelques concepts de machine learning et à pratiquer des analyses de données sur des jeux de données réels.
✨Montre ton portfolio
Pour un poste à temps plein, ce qui peut faire la différence, c’est un bon portfolio ! Prépare des projets clairs qui démontrent tes compétences en data science, comme des analyses que tu as réalisées ou des visualisations percutantes. Sois prêt à en discuter en profondeur pour prouver ta maîtrise technique.
✨Anticipe les études de cas
Les interviews en data science comportent souvent des études de cas où l'on te demande de résoudre un problème concret. Prépare-toi à décrire ta démarche pour analyser des données, définir des KPI ou même créer un modèle prédictif. Pratique avec des cas d’études donnés par des sites spécialisés ou lors de compétitions en ligne.
✨Comprends le business derrière les données
Au-delà des compétences techniques, les entreprises veulent savoir comment tu peux contribuer à leurs objectifs. Familiarise-toi avec les problématiques du secteur de Datadog, Inc. et sois prêt à discuter comment tes compétences peuvent répondre à leurs besoins spécifiques en data science.
