Staff Applied Research Scientist

Dans le rôle de scientifique de recherche appliquée principal(e), vous travaillerez sur des problèmes vaguement définis, pour lesquels aucune méthode éprouvée n’existe encore. ServiceNow AI Research observe le comportement des agents d’IA dans des environnements d’entreprise complexes et à grande échelle. Votre mission consiste à transformer les défis ambigus de ce portrait en orientations concrètes et testables. Vous déciderez quelles questions valent la peine d’être explorées, proposerez les modèles et les techniques pour y répondre, puis construirez, entraînerez et évaluerez vous-même les agents afin de déterminer s’ils fonctionnent.
Vous validerez les nouveaux concepts avant que le reste de l’organisation ne s’y engage. Cela implique de réaliser des prototypes rapidement, de mettre à l’épreuve les hypothèses et de collaborer étroitement avec l’équipe d’ingénierie en déploiement client (Forward Deployed Engineering) pour valider les idées dans des flux de travail réels. Lorsqu’un prototype échoue sur le terrain, c’est vous qui comprendrez pourquoi et qui déterminerez la suite à donner. Vos conclusions orienteront le programme de recherche, la feuille de route produit et les pratiques d’évaluation sur lesquelles l’équipe s’appuie.
Vous définirez aussi la direction technique des projets appliqués dans le cadre du programme plus large de l’équipe, encadrerez les chercheurs et les stagiaires, et représenterez les travaux par des publications, des conférences et des contributions à des projets open source.
#######
As a Staff Applied Research Scientist, you will work on problems that are vaguely defined and have no playbook yet. ServiceNow AI Research sees how AI agents behave in complex enterprise environments at scale, and your job is to turn ambiguous challenges in that picture into concrete, testable directions. You will decide which questions are worth pursuing, propose the models and techniques to answer them, and then build, train, and evaluate the agents yourself to find out whether they work.
You will derisk new concepts before the rest of the organization commits to them. That means prototyping quickly, stress-testing assumptions, and working side by side with the Forward Deployed Engineering team to validate ideas against real customer workflows. When a prototype fails in the field, you will be the one who understands why and what to do next. Your findings will shape the research agenda, the product roadmap, and the evaluation practices that the team relies on.
You will also set technical direction for applied projects within the team's broader agenda, mentor researchers and interns, and represent the work through publications, talks, and open-source contributions.
Doctorat en informatique, en apprentissage automatique ou dans un domaine connexe, ou expérience équivalente en recherche ou en application
Au moins trois ans d’expérience après le doctorat, incluant du travail sur des systèmes en production ou utilisés par des usagers réels
Capacité à décomposer un problème mal défini en ses composantes, à formuler des hypothèses et à concevoir des expériences pour les tester
Expérience pratique de l’implémentation, de l’entraînement et de l’évaluation de systèmes basés sur les LLM et d’architectures d’agents, incluant l’utilisation d’outils, la planification et les flux de travail en plusieurs étapes
Expérience dans la conception d’évaluations : définition de métriques, création de jeux de tests et analyse des modes de défaillance
Connaissances pratiques des enjeux de sécurité et de sûreté des systèmes d’IA, comme l’injection de requêtes (prompt injection), la fuite de données ou les usages malveillants
Solides compétences en développement logiciel en Python et dans les principaux frameworks d’apprentissage automatique, avec du code reproductible et maintenable
Aisance à travailler directement avec des ingénieurs et des équipes en contact avec la clientèle, et capacité à traduire les résultats en recommandations claires pour des audiences produit et de direction
Expérience d’encadrement de chercheurs, d’ingénieurs ou de stagiaires
Usage avancé des outils agentiques dans votre propre travail
Atouts
Publications ou contributions open source en évaluation d’agents, en sécurité de l’IA ou en fiabilité des agents
Expérience des systèmes d’IA en environnement d’entreprise, incluant la conformité, la gouvernance et les contraintes d’échelle
Expérience dans la création de benchmarks, de pipelines de red-teaming ou de surveillance de modèles déployés
Formation dans une discipline qui enseigne une décomposition rigoureuse, comme l’ingénierie des systèmes, la recherche en sécurité ou les méthodes formelles
#######
Requirements
PhD in computer science, machine learning, or a related field, or equivalent research or applied experience
Three or more years of post-PhD experience, including work on systems that run in production or close to real users
Ability to break down an ill-defined problem into its components, form hypotheses, and design experiments that test them
Hands-on experience implementing, training, and evaluating LLM-based systems and agent architectures, including tool use, planning, and multi-step workflows
Experience designing evaluations: defining metrics, building test sets, and analyzing failure modes
Working knowledge of security and safety issues in AI systems, such as prompt injection, data leakage, or misuse
Strong software development skills in Python and modern ML frameworks, with reproducible, maintainable code
Comfort working directly with engineers and customer-facing teams, and the ability to translate findings into clear recommendations for product and executive audiences
Experience mentoring researchers, engineers, or interns
Advanced use of agentic tools in your own workflow
Nice to have
Publications or open-source contributions in agent evaluation, AI security, or agent reliability
Experience with AI systems in enterprise environments, including compliance, governance, and scale constraints
Experience building benchmarks, red-teaming pipelines, or monitoring for deployed models
Background in a discipline that trains careful decomposition, such as systems engineering, security research, or formal methods

Employment type
Full-time

Work arrangement
Hybrid