NVIDIA
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. Роль предполагает владение сервисами, инструментами и open-source проектами 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, включая суперкомпьютеры в облаках и on-premises кластеры
- Разрабатывать API для систем отказоустойчивости NVIDIA: телеметрии, автоматизации break/fix, checkpoint и execution систем
- Строить слой отправки задач, скрывающий инфраструктурные сбои от пользователей и автоматически перезапускающий длительные тренировки
- Разрабатывать агентные инструменты для повышения эффективности обучения: поиск узких мест, диагностика сбоев и рекомендации по исправлению
- Развивать open-source: релизить компоненты для клиентов и сообщества и улучшать их совместно
- Настраивать эксплуатацию сервисов команды: поддержка, мониторинг, алерты, CI/CD, интеграционные тесты и on-call планы
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 с Kubernetes и/или Slurm в масштабе
- Практический опыт с PyTorch, TensorFlow, JAX или Ray
- Глубокое понимание NVIDIA GPU и сетей, включая то, как они отказывают
- Опыт эксплуатации production-сервисов: CI/CD, мониторинг, алертинг 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
- Monitoring
- Alerting
- On-call
- LLM-based agents
- Fault tolerance
- Checkpointing