Sr. Applied Scientist, Infrastructure Reliability in Alessandria

Sei motivato dall'innovazione e dalla risoluzione di problemi complessi? In Infrastructure Reliability, costruiamo soluzioni scalabili che garantiscono l'affidabilità dei sistemi critici di Amazon. Il nostro team sviluppa e gestisce strumenti che rilevano e prevengono interruzioni per mantenere un'alta disponibilità in tutta l'infrastruttura globale di Amazon. Unisciti a noi per architettare soluzioni che impattano direttamente milioni di clienti, con le risorse e il supporto per fare contributi significativi.

Il team di Amazon è responsabile della costruzione di intuizioni intelligenti e in tempo reale sulle comunicazioni tra servizi, sul traffico di rete e sulla correlazione degli eventi attraverso centinaia di servizi critici di evasione e robotica di Amazon. Le nostre soluzioni supportano la visibilità nel comportamento anomalo dei servizi per prevenire e recuperare rapidamente dagli incidenti, garantendo un'alta disponibilità per mantenere la Promessa al Cliente.

Stiamo cercando un talentuoso Senior Applied Scientist per inventare la prossima generazione di soluzioni di osservabilità agentica su scala Amazon. In questo ruolo, definirai, guiderai e costruirai la scienza dietro sistemi intelligenti che ragionano su telemetria complessa di rete e infrastruttura, rilevano autonomamente anomalie e guidano la rimedio automatizzato. Possiederai la direzione scientifica end-to-end, collaborando strettamente con ingegneri, product manager e Network Development Engineers per tradurre una visione scientifica a lungo termine in roadmap di ricerca e consegna concrete.

Responsabilità chiave:

• Definire e possedere la visione scientifica per l'osservabilità agentica, traducendola in roadmap di ricerca e ingegneria in collaborazione con i leader di prodotto e ingegneria.
• Costruire sistemi ML e AI agentici che rilevano, classificano e correlano autonomamente anomalie infrastrutturali su scala Amazon.
• Progettare e sviluppare modelli per la correlazione degli eventi, analisi delle cause radice e rilevamento predittivo dei guasti utilizzando analisi delle serie temporali, metodi basati su grafi e deep learning.
• Possedere l'architettura agentica per flussi di lavoro di osservabilità automatizzati, inclusi pianificazione, integrazione degli strumenti, ragionamento a lungo termine e orchestrazione multi-agente.
• Definire e curare i dataset e le metodologie di valutazione necessarie per addestrare, benchmarkare e migliorare continuamente i sistemi di rilevamento e classificazione.
• Rimanere profondamente coinvolto: scrivere codice di qualità di produzione e costruire componenti core che portano i sistemi dal prototipo al lancio.
• Collaborare con Network Development Engineers e team operativi per radicare le soluzioni scientifiche nel comportamento reale dell'infrastruttura e nelle esigenze operative.
• Mentorare scienziati e ingegneri, alzare il livello scientifico e rappresentare il team nella comunità scientifica interna ed esterna attraverso pubblicazioni e presentazioni.

Un giorno nella vita:

Risolverai problemi reali analizzando telemetria di rete su larga scala e dati operativi, progettando esperimenti e simulazioni, e sviluppando modelli ML che rilevano e prevengono incidenti infrastrutturali. Il tuo lavoro richiede una stretta collaborazione con ingegneri, Network Development Engineers, product manager e leader operativi in tutta l'organizzazione. Preparerai presentazioni scritte e verbali per condividere intuizioni con pubblici di varia sofisticazione tecnica e itererai rapidamente tra ricerca e distribuzione in produzione.

Requisiti di base:

• 3+ anni di esperienza nella costruzione di modelli di machine learning per applicazioni aziendali.
• PhD o Master e 6+ anni di esperienza in ricerca applicata.
• Esperienza di programmazione in Java, C++, Python o linguaggio correlato.
• Esperienza con metodi di deep learning e machine learning.

Requisiti preferenziali:

• Esperienza con strumenti di modellazione come R, scikit-learn, Spark MLLib, MxNet, Tensorflow, numpy, scipy, ecc.
• Esperienza in diverse delle seguenti aree: machine learning, statistica, deep learning, elaborazione del linguaggio naturale o recupero delle informazioni.
• Esperienza con analisi delle serie temporali, rilevamento delle anomalie o metodi ML basati su grafi.
• Esperienza con architetture AI agentiche, LLM o sistemi multi-agente.
• Esperienza nell'applicare ML a infrastrutture, networking o domini di osservabilità.