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

Vollständige Beschreibung

NVIDIA ist der weltweit führende Anbieter von beschleunigtem Computing und treibt die KI-Revolution in den größten Rechenzentren, Clouds und Supercomputern der Welt voran. Innerhalb von NVIDIA baut die Networking Business Unit (NBU) die High-Speed-Verbindung - einschließlich Ethernet, InfiniBand, NVLink und BlueField DPUs -, die Tausende von GPUs in einem einzigen KI-Supercomputer verbindet und Daten in der Größenordnung und Geschwindigkeit bewegt, die von den weltweit anspruchsvollsten KI-Workloads benötigt wird.

NVIDIA sucht einen Senior Network Software Validation Engineer, der sich unserer Network Cluster Solutions (NCS) Validation Group anschließt. Sie werden an der Validierung fortschrittlicher Netzwerklösungen in komplexen NVIDIA AI-Clusterumgebungen arbeiten. Die Gruppe ist eine Hochleistungs-Engineering-Kraft, die Validierung als erstklassiges Softwareproblem behandelt. Wir erstellen Systeme, Frameworks und Benchmarks, die die Richtigkeit, Zuverlässigkeit und Leistung von NVIDIA-Netzwerklösungen in großem Maßstab belegen. Diese Rolle kombiniert die Entwicklung von Validierungsmethoden und Automatisierungstools mit praktischem Debugging, Leistungsanalyse und Untersuchung modernster KI-Netzwerktechnologien in großem Maßstab.

Was Sie tun werden

• Entwerfen Sie Validierungsmethoden, überprüfen Sie Produktanforderungen und entwickeln Sie umfassende Testpläne für Netzwerktechnologien in großen KI-Clusterlösungen.
• Entwickeln und pflegen Sie Automatisierungstools und Skripte für Testausführung, Umgebungseinstellung, Protokollerfassung und Datenanalyse.
• Führen Sie Funktions-, Regressions-, Leistungs-, Skalierungs- und Zuverlässigkeitstests für Netzwerk- und KI-Clusterlösungen durch.
• Eigene End-to-End-Untersuchung komplexer Kundenprobleme durch Reproduktion realer Szenarien, Analyse von Protokollen, Telemetrie, Paketerfassungen und Systemmetriken, um funktionale Probleme und Leistungsengpässe zu identifizieren, Probleme im gesamten Hardware- und Software-Stack zu triagieren und sie zu Ursache und Lösung zu bringen.
• Lesen und Verstehen des Quellcodes (C/C++/Python), um Fehler zu untersuchen, Korrekturen zu validieren und die Protokollierungs-, Instrumentierungs- und Debugging-Fähigkeiten zu verbessern.
• Arbeiten Sie eng mit Software- und Hardwareentwicklungsteams zusammen, um Netzwerktechnologien, einschließlich NCCL, RoCE, RDMA und verwandter Softwarekomponenten, durch gezielte Experimente und Codeinspektion zu debuggen.
• Profil- und Benchmark-KI-Trainings- und Inferenz-Workloads, die das Anwendungsverhalten mit Netzwerk- und Systemtelemetrie korrelieren, um Skalierbarkeit und Leistungsbeschränkungen zu identifizieren.
• Befunde dokumentieren, technische Ergebnisse kommunizieren und Validierungsmethoden, Automatisierung und Engineering-Prozesse kontinuierlich verbessern.

Was wir sehen müssen

• B.Sc. oder M.Sc. in Informatik, Elektrotechnik oder einem verwandten technischen Bereich oder gleichwertige praktische Erfahrung.
• 8+ Jahre praktische Erfahrung in den Bereichen Networking, Systemvalidierung, Softwaretests oder Debuggen auf Systemebene unter Linux.
• Starkes Wissen über Linux-Systeme und Netzwerk-Debugging-Erfahrung im Maßstab.
• Bewährte Erfahrung beim Debuggen komplexer Produktionssysteme, indem Hypothesen gebildet, Experimente entworfen und Probleme zur Ursache getrieben werden.
• Fähigkeit, Quellcode zu lesen und zu begründen und eng mit Entwicklungsteams zusammenzuarbeiten, um Fixes zu validieren.
• Starke Skript- und Automatisierungserfahrung mit Python, Bash und / oder Ansible.
• Ausgezeichnete analytische, Troubleshooting, Kommunikation und Zusammenarbeit mit einem starken Gefühl von Eigentum.
• Schneller Lernender mit Neugier auf KI-Infrastruktur, verteilte Systeme und moderne KI-gestützte Engineering-Tools.

Möglichkeiten, sich von der Masse abzuheben

• Starkes Wissen über KI-Netzwerktechnologien wie NCCL, RoCE und RDMA, mit Erfahrung im Debuggen sowohl von Korrektheit als auch von Leistungsproblemen in großem Maßstab.
• Tiefes Verständnis der Staukontrolle und verlustfreien Ethernet-Technologien für AI-Workloads, einschließlich DCQCN, ECN und PFC.
• Debugging-Probleme auf mehreren Ebenen, einschließlich Netzwerk (L2/L3), Transportprotokollen, Betriebssystemen, KI-Frameworks und verteilt