Cerebras udvikler AI-hardware i wafer-skala og integreret software til højtydende modeltræning og inferens. Virksomhedens Wafer-Scale Engine driver CS-3-systemet og Cerebras Inference Cloud, som understøtter arbejdsgange, der er kompatible med OpenAI API, samt implementering i lokale miljøer, cloudmiljøer og edge-miljøer. Platformen er udviklet til blandt andet modelservering, finjustering, prætræning, AI-agenter i realtid, genomik, lægemiddeludvikling, cybersikkerhed og virksomhedssøgning. Cerebras samler specialiserede chips, systemer og software til organisationer, der udvikler og driver krævende arbejdsbelastninger inden for kunstig intelligens, med et team på 501–1.000 medarbejdere.
Ingeniør i kortlægning af ML-algoritmer og ydeevne, Core ML
Kortlæg algoritmer til maskinlæringstræning og inferens på Cerebras' AI-chiparkitektur. Modellér ydeevneflaskehalse, benchmark systemer, og bidrag til fælles udvikling af hardware og software.
Beskrivelse
- Udarbejd analytiske og empiriske ydeevnemodeller for avancerede algoritmer til ML-træning og inferens
- Vurder asymptotisk adfærd og algoritmiske afvejninger på tværs af modelstørrelse, sekvenslængde, batchstørrelse, parallelitet og hardwareskala
- Udvikl Paretofronter, der spænder over modelkvalitet, latenstid, gennemløb, hukommelsesforbrug, kommunikation og beregningsomkostninger
- Skab prototypeimplementeringer og benchmarks for Cerebras WSE sammen med relevante GPU- og softwarebaselines
- Undersøg systemadfærd for at lokalisere flaskehalse i kernels, compilere, runtime, kommunikation og algoritmer
- Vurder nye metoder som parallel token-generering, diffusion og spekulativ dekodning, attention, sparsitet, mixture-of-experts, beregning med lav præcision og distribueret træning
- Samarbejd med teams inden for forskning, kernels, compilere, runtime, inferens og arkitektur om prioriteringer for implementering og fælles udvikling
- Skab værktøjer og visualiseringer til at fremskrive ydeevne, analysere målinger og sammenligne designafvejninger
- Præsenter konklusioner, antagelser, begrænsninger og anbefalinger gennem tekniske rapporter, præsentationer og designgennemgange
- Form Core ML's forskningsprioriteter, implementeringsvalg og fremtidige hardware- og softwarefunktioner
Krav
- Bachelor-, kandidat- eller ph.d.-grad eller tilsvarende praktisk erfaring inden for datalogi, computerteknik, elektroteknik, matematik eller et beslægtet område
- Stærk viden om computerarkitektur, parallel beregning og systemydeevne
- Solid forståelse af grundlæggende maskinlæring og ML-systemer
- Erfaring med analytisk ydeevnemodellering, analyse af algoritmisk kompleksitet, benchmarking eller systemsimulering
- Dokumenterede analytiske evner og problemløsningsevner
- Gode Python-kundskaber og arbejdskendskab til C++
- Erfaring med profilering og fejlfinding af ydeevne i ML-, HPC-, CPU-, GPU- eller acceleratorbaserede systemer
- Evne til at forbinde matematisk analyse, eksperimentel validering og praktiske tekniske anbefalinger
- Foretrukket: erfaring med roofline-analyse, CPU- eller GPU-simulatorer, kerneloptimering eller fælles udvikling af hardware og software
- Foretrukket: kendskab til CUDA, Triton, PyTorch, JAX eller open source-systemer til LLM-træning og inferens
- Foretrukket: viden om transformeres interne funktion, attention-varianter, KV-cache-strategier, modelparallelitet, sparsitet, kvantisering og parallel generering
- Foretrukket: forskningspublikationer, patenter eller væsentlige bidrag til open source inden for ML-systemer, computerarkitektur eller beregningseffektivitet
- Foretrukket: erfaring med at vurdere teknologivalg til fremtidige hardware- eller softwarearkitekturer
Fordele
- Mulighed for at publicere og open source avanceret AI-forskning
- Arbejd med en af verdens hurtigste AI-supercomputere
- Startupenergi kombineret med jobsikkerhed
- En ligefrem, ikke-korporativ kultur, der respekterer individuelle overbevisninger
- Løbende muligheder for læring, udvikling og støtte
- Engagement i en ligeværdig og mangfoldig arbejdsplads