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

Description complète

NVIDIA est le leader mondial de l'informatique accélérée, alimentant la révolution de l'IA à travers les plus grands centres de données, les nuages et les superordinateurs du monde. Au sein de NVIDIA, la Networking Business Unit (NBU) construit l'interconnexion à haute vitesse, y compris Ethernet, InfiniBand, NVLink et BlueField DPU, qui relie des milliers de GPU en un seul superordinateur AI, déplaçant les données à l'échelle et à la vitesse requises par les charges de travail les plus exigeantes au monde en matière d'IA.

NVIDIA est à la recherche d'un ingénieur principal de validation de logiciels réseau pour rejoindre notre groupe de validation de solutions de cluster réseau (NCS). Vous travaillerez sur la validation de solutions de réseau avancées dans des environnements complexes NVIDIA AI. Le groupe est une force d'ingénierie de haute performance qui traite la validation comme un problème logiciel de première classe. Nous construisons des systèmes, des cadres et des repères qui prouvent la justesse, la fiabilité et la performance des solutions de réseau NVIDIA à l'échelle. Ce rôle combine le développement de méthodologies de validation et d'outils d'automatisation avec le débogage pratique, l'analyse des performances et l'étude à grande échelle de technologies de mise en réseau d'IA.

Ce que tu vas faire

• Concevoir des méthodes de validation, examiner les exigences du produit et élaborer des plans d'essais complets pour les technologies de mise en réseau dans des solutions de grappes d'IA à grande échelle.
• Développer et maintenir des outils et des scripts d'automatisation pour l'exécution de tests, la configuration de l'environnement, la collecte de journaux et l'analyse des données.
• Exécuter des tests fonctionnels, de régression, de performance, d'échelle et de fiabilité à travers les solutions de clusters de réseau et d'IA.
• Son propre enquête de bout en bout sur les problèmes complexes des clients en reproduisant des scénarios du monde réel, en analysant les journaux, la télémétrie, les saisies de paquets et les mesures du système pour identifier les problèmes fonctionnels et les goulets d'étranglement de performance, les problèmes de triage à travers le matériel et la pile de logiciels, et les conduire à la cause fondamentale et à la résolution.
• Lisez et comprenez le code source (C/C++/Python) pour étudier les défauts, valider les corrections et améliorer les capacités d'enregistrement, d'instrumentation et de débogage.
• Collaborer étroitement avec les équipes de développement de logiciels et de matériel pour déboguer les technologies de réseautage, y compris la CCNL, le RoCE, la RDMA et les composants logiciels connexes en utilisant des expériences ciblées et des inspections de codes.
• Profil et référence de la formation et des charges de travail d'inférence en matière d'IA, corrélant le comportement d'application avec la télémétrie réseau et système pour identifier l'évolutivité et les limitations de performance.
• Documenter les résultats, communiquer les résultats techniques et améliorer continuellement les méthodes de validation, l'automatisation et les processus d'ingénierie.

Ce que nous devons voir

• B.Sc. ou M.Sc. en informatique, génie électrique, ou un domaine technique connexe, ou une expérience pratique équivalente.
• 8+ ans d'expérience pratique dans le réseautage, la validation du système, les tests logiciels ou le débogage au niveau du système sur Linux.
• Forte connaissance des systèmes Linux et l'expérience de débogage en réseau à l'échelle.
• Expérience éprouvée de débogage de systèmes de production complexes en formant des hypothèses, en concevant des expériences et en motivant les problèmes à la cause profonde.
• Capacité de lire et de raisonner au sujet du code source et de collaborer étroitement avec les équipes de développement pour valider les corrections.
• Forte expérience de script et d'automatisation avec Python, Bash et/ou Ansible.
• Excellente capacité d'analyse, de dépannage, de communication et de collaboration avec un fort sentiment d'appropriation.
• Apprentissage rapide avec curiosité pour l'infrastructure de l'IA, les systèmes distribués et les outils d'ingénierie modernes assistés par l'IA.

Moyens de se tenir à l'écart de la foule

• Forte connaissance des technologies de réseautage de l'IA, y compris le CCNL, le RoCE et la RDMA, avec l'expérience de débogage à la fois correct et questions de rendement à l'échelle.
• Connaissance approfondie du contrôle de la congestion et des technologies Ethernet sans perte pour les charges de travail en AI, y compris DCQCN, ECN et PFC.
• Expérience des questions de débogage couvrant plusieurs couches, y compris la mise en réseau (L2/L3), les protocoles de transport, les systèmes d'exploitation, les cadres d'IA et la distribution