Senior System Software Engineer, DGX Cloud AI Infrastructure

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

Senior-инженер в команду NVIDIA Recovery and Resilience, которая строит инфраструктуру для крупномасштабного обучения ИИ. Отвечает за сервисы, инструменты и open-source проекты для отказоустойчивого и эффективного обучения — от проектирования до продакшена.

Задачи

• Проектировать, создавать, запускать и эксплуатировать сервисы, инструменты и open-source проекты
• Планировать и распределять работу команды, менторить junior-инженеров и ревьюить дизайны
• Строить отказоустойчивую AI-инфраструктуру на Kubernetes и Slurm для тренировочных нагрузок NVIDIA и клиентов
• Разрабатывать API для систем resiliency: телеметрия, автоматизация break/fix, checkpoint и execution системы
• Создавать слой отправки задач, скрывающий сбои инфраструктуры и автоматически перезапускающий длительные обучения
• Разрабатывать agentic-инструменты для поиска узких мест, диагностики сбоев и рекомендаций по исправлению
• Развивать open-source: релизить компоненты и работать с сообществом над их улучшением
• Настраивать эксплуатацию сервисов: поддержка, мониторинг, алерты, CI/CD, интеграционные тесты и on-call

Требования

• Степень BS, MS или PhD в Computer Science или смежной области (или эквивалентный опыт) и 12+ лет опыта
• Подтверждённый опыт доведения крупных систем от проектирования до продакшена
• Сильный опыт работы с Kubernetes и/или Slurm в масштабе
• Практический опыт с PyTorch, TensorFlow, JAX или Ray
• Глубокое понимание GPU NVIDIA и сетей, включая то, как они отказывают
• Опыт эксплуатации production-сервисов: CI/CD, мониторинг, алерты и on-call

Условия

• Базовая зарплата 224 000 – 356 500 USD для Level 5 и 272 000 – 431 250 USD для Level 6
• Право на equity и льготы
• Приём заявок как минимум до 10 ноября 2026 года
• Равные возможности трудоустройства и инклюзивная среда

Навыки

• Kubernetes
• Slurm
• PyTorch
• TensorFlow
• JAX
• Ray
• NVIDIA GPUs
• CI/CD
• LLM-based agents
• fault tolerance
• checkpointing