Member of Technical Staff - GPU infrastruktúra

Stack

Feladatok

• ▹Együttműködés ügyfelekkel a munkaterhelési igények megértéséhez és az optimális GPU-klaszter architektúrák tervezéséhez
• ▹Technikai javaslatok és kapacitástervezés készítése 100-tól 10 000+ GPU-s klaszterekig
• ▹Telepítési stratégiák kidolgozása LLM-tréning, inferencia és HPC munkaterhelésekhez
• ▹Architekturális javaslatok bemutatása technikai és vezetői érdekelteknek
• ▹Orchestrációs rendszerek (SLURM, Kubernetes) telepítése és konfigurálása elosztott munkaterhelésekhez
• ▹Nagy teljesítményű hálózat (InfiniBand, RoCE, NVLink) megvalósítása
• ▹GPU-kihasználtság, memóriakezelés és node-közi kommunikáció optimalizálása
• ▹Párhuzamos fájlrendszerek (Lustre, BeeGFS, GPFS) konfigurálása az optimális I/O teljesítményhez
• ▹Rendszerteljesítmény hangolása a kernel-paraméterektől a CUDA-konfigurációkig
• ▹Elsődleges technikai eszkalációs pontként szolgálás ügyfél-infrastrukturális problémáknál
• ▹Komplex problémák diagnosztizálása és megoldása hardver, driver, hálózat és szoftver szinten
• ▹Monitorozási, riasztási és automatizált helyreállítási rendszerek bevezetése
• ▹24/7-es ügyeleti támogatás nyújtása kritikus ügyfél-telepítésekhez
• ▹Runbookok és dokumentáció készítése ügyfél-üzemeltetői csapatok számára

Elvárások

• ▹3+ év gyakorlati tapasztalat GPU-klaszterekkel és HPC-környezetekkel
• ▹Mély jártasság SLURM és Kubernetes rendszerekben éles GPU-környezetben
• ▹Bizonyított InfiniBand-konfigurációs és hibaelhárítási tapasztalat
• ▹Erős NVIDIA GPU-architektúra, CUDA-ökoszisztéma és driver-stack ismeret
• ▹Tapasztalat infrastruktúra-automatizálási eszközökkel (Ansible, Terraform)
• ▹Jártasság Pythonban, Bash-ben és rendszerprogramozásban
• ▹Bizonyított ügyfélkapcsolati technikai vezetői tapasztalat
• ▹NVIDIA driver telepítési és hibaelhárítási ismeret (CUDA, Fabric Manager, DCGM)
• ▹Konténer futtatókörnyezet konfigurálása GPU-khoz (Docker, Containerd, Enroot)
• ▹Linux kernel-hangolás és teljesítményoptimalizálás
• ▹Hálózati topológia tervezése AI-munkaterhelésekhez
• ▹Energia- és hűtési követelmények ismerete nagy sűrűségű GPU-telepítésekhez

Előny

• ▹Tapasztalat 1000+ GPU-s telepítésekkel
• ▹NVIDIA DGX, HGX vagy SuperPOD tanúsítvány
• ▹Elosztott tréning keretrendszerek ismerete (PyTorch FSDP, DeepSpeed, Megatron-LM)
• ▹ML keretrendszer optimalizálás és profilozás
• ▹Tapasztalat AMD MI300 vagy Intel Gaudi gyorsítókkal
• ▹Nyílt forráskódú HPC/AI infrastruktúra projektekhez való hozzájárulás

Soft skillek

Amit kínálunk

• ▹150-300 ezer dollár közötti fizetés, plusz részvényjuttatás

A munkáltatóról

A Prime Intellect a nyílt szuperintelligencia-stacket építi: azt az infrastruktúrát teszi elérhetővé minden ambiciózus AI-csapat számára, amit a frontier AI-laborok belsőleg használnak. A Lab platform egyesíti a számítási kapacitást, a környezeteket, a kiértékeléseket, a biztonságos sandboxokat, a nagy teljesítményű tréninget és az üzembe helyezést egyetlen full-stack rendszerben. A céget vezető befektetők - köztük a Founders Fund, a Radical Ventures és az NVIDIA - támogatják.