Senior Network Software Validation Ingegnere – AI Clusters — NVIDIA (ufficio Zurich)

Descrizione completa

NVIDIA è il leader mondiale nel calcolo accelerato, alimentando la rivoluzione AI attraverso i più grandi data center, cloud e supercomputer del mondo. All'interno di NVIDIA, la Networking Business Unit (NBU) costruisce l'interconnessione ad alta velocità, tra cui Ethernet, InfiniBand, NVLink e BlueField DPUs, che collega migliaia di GPU in un unico supercomputer AI, spostando i dati alla scala e alla velocità richiesti dai carichi di lavoro AI più esigenti al mondo.

NVIDIA sta cercando un Senior Network Software Validation Engineer per unire il nostro Network Cluster Solutions (NCS) Gruppo di convalida. Si lavorerà per convalidare soluzioni avanzate di rete in ambienti complessi di cluster NVIDIA AI. Il gruppo è una forza di ingegneria ad alte prestazioni che tratta la validazione come un problema software di prima classe. Costruiamo sistemi, framework e benchmark che dimostrano la correttezza, l'affidabilità e le prestazioni delle soluzioni di rete NVIDIA in scala. Questo ruolo combina lo sviluppo di metodologie di validazione e strumenti di automazione con debug manuale, analisi delle prestazioni e indagine di tecnologie di networking AI all'avanguardia su scala.

Cosa farai

• Metodologie di convalida di progettazione, rivedere i requisiti del prodotto e sviluppare piani di test completi per le tecnologie di rete in soluzioni di cluster AI su larga scala.
• Sviluppare e mantenere strumenti di automazione e script per l'esecuzione dei test, l'impostazione dell'ambiente, la raccolta dei registri e l'analisi dei dati.
• Eseguire test funzionali, regressioni, prestazioni, scala e affidabilità su soluzioni di cluster di rete e AI.
• Una propria indagine end-to-end su problemi complessi del cliente riproducendo scenari reali, analizzando registri, telemetria, cattura dei pacchetti e metriche di sistema per identificare problemi funzionali e le prestazioni strozzature, triaging problemi attraverso l'hardware e lo stack del software, e guidarli alla causa e risoluzione radice.
• Leggere e comprendere il codice sorgente (C/C++/Python) per indagare i difetti, convalidare le correzioni e migliorare le funzionalità di registrazione, strumentazione e debugging.
• Collabora a stretto contatto con i team di sviluppo software e hardware per debug tecnologie di rete, tra cui NCCL, RoCE, RDMA e relativi componenti software utilizzando esperimenti mirati e ispezione di codice.
• Profilo e benchmark AI training and inference workloads, correlando il comportamento delle applicazioni con la rete e la telemetria di sistema per identificare le limitazioni di scalabilità e prestazioni.
• Risultati dei documenti, comunicazione dei risultati tecnici e miglioramento continuo delle metodologie di validazione, automazione e processi ingegneristici.

Cosa dobbiamo vedere

• B.Sc. o M.Sc. in Informatica, Ingegneria Elettrica, o un campo tecnico correlato, o esperienza pratica equivalente.
• 8+ anni di esperienza pratica in rete, validazione del sistema, test del software o debugging a livello di sistema su Linux.
• Forte conoscenza dei sistemi Linux e esperienza di debug di rete in scala.
• Provata esperienza di debug sistemi di produzione complessi formando ipotesi, progettando esperimenti, e problemi di guida alla causa principale.
• Capacità di leggere e ragionare sul codice sorgente e collaborare strettamente con i team di sviluppo per convalidare le correzioni.
• Forte esperienza di scrittura e automazione utilizzando Python, Bash e/o Ansible.
• Eccellente analitica, risoluzione dei problemi, comunicazione e capacità di collaborazione con un forte senso di proprietà.
• Impariatore veloce con curiosità per l'infrastruttura AI, sistemi distribuiti e moderni strumenti di ingegneria assistiti da AI.

Modi per allontanarsi dalla folla

• Forte conoscenza delle tecnologie di rete AI tra cui NCCL, RoCE e RDMA, con esperienza di debug sia problemi di correttezza e prestazioni in scala.
• Profonda comprensione del controllo della congestione e delle tecnologie Ethernet senza perdite per i carichi di lavoro AI, tra cui DCQCN, ECN e PFC.
• Problemi di debugging esperienza che spaziano da più strati, tra cui networking (L2/L3), protocolli di trasporto, sistemi operativi, framework AI e distribuiti