Senior Networking Solution Test Ingegnere – AI Cluster Debugging — NVIDIA (ufficio Zurich)

Descrizione completa

Siamo alla ricerca di un Senior Networking Test Engineer con forti capacità di debug a livello di sistema per unire il nostro team End‐to‐End Verification! Potrai lavorare su cluster AI basati su NVLink, Ethernet e InfiniBand. Inoltre, ow problemi complessi attraverso hardware, software di sistema e carichi di lavoro AI. Cosa farai:

• Progettare e rivedere i requisiti di test e di prodotto attraverso il portafoglio NVLink, Ethernet e InfiniBand / NIC / DPU / Switch, concentrandosi sul comportamento del cluster AI su larga scala.
• Costruisci e mantieni dei veri e propri testbed, tra cui hardware eterogeneo, combinazioni di driver e tessuti di rete complessi.
• Risoluzione dei problemi del cluster end-to-end: riprodurre scenari del cliente, triage attraverso i problemi di stack e drive per causare e correggere root.
• Leggere e comprendere il relativo codice sorgente per identificare i difetti, convalidare le correzioni e migliorare la registrazione e la strumentazione.
• Collabora a stretto contatto con i team di sviluppo per debug NCCL, RoCE/RDMA e i relativi componenti di rete utilizzando log, ispezione del codice e esperimenti mirati.
• Definire i test e guidare il team di automazione per implementare suite robuste e debuggable che producono registri, metriche e tracce attuabili.
• Eseguire test di Regressione, Performance, Functional e Scale, analizzare i risultati e fornire report chiari e basati sui dati ai collaboratori.
• Profilo e benchmark deep learning training and inference workloads, correlando metriche a livello di modello con sistema e telemetria di rete per scoprire strozzature. Cosa dobbiamo vedere:
• B.A./B.Sc. in Informatica, ingegneria elettrica, o equivalente esperienza IT/Network/Systems.
• 8+ anni di messa in rete o test a livello di sistema e debug su Linux.
• Forte rete Linux e abilità di debug (ad esempio perf, tcpdump, ethtool, iproute2).
• Provata esperienza di debug di livello di produzione: formazione di ipotesi, esperimenti in esecuzione, e problemi di guida a causa principale sotto pressione.
• Competenza nella validazione e nella messa a punto di NIC (discarica, code, interruzioni, interazioni firmware/driver).
• Forte conoscenza delle librerie di rete AI (come NCCL) e dei protocolli (come RoCE e RDMA), comprese le prestazioni e la correttezza debugging.
• Capacità di leggere e ragionare sul codice sorgente (C/C++/Python o simili) e collaborare strettamente con gli sviluppatori sulle correzioni.
• Competenze di scrittura e automazione solide con Bash / Python / Ansible per la configurazione, la raccolta dei registri e l'orchestrazione degli esperimenti.
• Imparente veloce, familiare con moderni strumenti AI e flussi di lavoro, in grado di adattarsi rapidamente.
• Eccellente analitica, problem solving e capacità di comunicazione, con forte proprietà e un approccio collaborativo. Modi per distinguersi dalla folla:
• Debug manuale di librerie di comunicazione collettiva (ad esempio NCCL) o cluster di formazione / inferenza LLM su larga scala.
• Esperienza con grandi ambienti a cluster (da decine a migliaia di GPU o nodi), tra cui risposta incidente e analisi post-mortem.
• Profonda competenza nel controllo della congestione di sintonizzazione e debug e Ethernet senza perdite per i carichi di lavoro AI (ad esempio DCQCN, ECN, PFC).
• Familiarità con le tecnologie di rete NVIDIA (per esempio BlueField / BF3, ConnectX NICs) e il loro stack software e diagnostica.
• Esperienza problemi di debug che abbracciano più strati (L2/L3, trasporti, framework AI) o contribuire a sistemi di networking open-source / AI. A NVIDIA, apprezziamo la diversità e ci impegniamo a creare un ambiente inclusivo per tutti i dipendenti. Non discriminare sulla base di razza, religione, colore, origine nazionale, sesso, sesso, espressione di genere, orientamento sessuale, età, stato civile, stato veterano, o stato di disabilità. Forniamo alloggi ragionevoli per garantire che tutti gli individui possono partecipare al processo di domanda di lavoro o intervista, eseguire funzioni di lavoro essenziali, e ricevere altri vantaggi e privilegi di lavoro. Unisciti a noi e fai parte di un team che sta spingendo i confini della tecnologia e facendo un impatto reale