
Cerebras سختافزار هوش مصنوعی در مقیاس ویفر و نرمافزار یکپارچه برای آموزش و استنتاج مدلهای پرکاربرد و پربازده توسعه میدهد. موتور Wafer-Scale Engine این شرکت به سیستم CS-3 و Cerebras Inference Cloud نیرو میدهد؛ این سامانه از گردشکارهای سازگار با OpenAI API و استقرار در محیطهای داخلی، ابری و لبه پشتیبانی میکند. پلتفرم شرکت برای کاربردهایی مانند ارائه مدل، تنظیم دقیق، پیشآموزش، عاملهای هوش مصنوعی بلادرنگ، ژنومیک، کشف دارو، امنیت سایبری و جستوجوی سازمانی طراحی شده است. Cerebras تراشهها، سیستمها و نرمافزارهای تخصصی را برای سازمانهایی که بارهای کاری دشوار هوش مصنوعی را ایجاد و اجرا میکنند، یکپارچه میسازد و ۵۰۱ تا ۱٬۰۰۰ کارمند دارد.
مهندس نگاشت الگوریتم و کارایی یادگیری ماشین، یادگیری ماشین هسته
الگوریتمهای آموزش و استنتاج یادگیری ماشین را با معماری تراشه هوش مصنوعی Cerebras نگاشت کنید. گلوگاههای کارایی را مدلسازی کنید، سیستمها را محک بزنید و طراحی مشترک سختافزار و نرمافزار را هدایت کنید.
توضیحات
- مدلهای تحلیلی و تجربی کارایی را برای الگوریتمهای پیشرفته آموزش و استنتاج یادگیری ماشین بسازید
- رفتار مجانبی و بدهبستانهای الگوریتمی را در ابعاد اندازه مدل، طول توالی، اندازه دسته، موازیسازی و مقیاس سختافزار ارزیابی کنید
- جبهههای پارتو را دربرگیرنده کیفیت مدل، تأخیر، توان عملیاتی، ردپای حافظه، ارتباطات و هزینه محاسبات ایجاد کنید
- پیادهسازیهای نمونه اولیه و محکهایی برای Cerebras WSE در کنار خطوط مبنای مرتبط GPU و نرمافزار ایجاد کنید
- برای یافتن گلوگاههای هسته، کامپایلر، زمان اجرا، ارتباطات و الگوریتمی، رفتار سیستم را بررسی کنید
- روشهای نوظهور مانند تولید موازی توکن، رمزگشایی انتشار و حدسی، توجه، تنکی، ترکیب متخصصان، محاسبات کمدقت و آموزش توزیعشده را ارزیابی کنید
- در زمینه اولویتهای پیادهسازی و طراحی مشترک با تیمهای پژوهش، هسته، کامپایلر، زمان اجرا، استنتاج و معماری همکاری کنید
- ابزارها و مصورسازیهایی برای پیشبینی کارایی، تحلیل اندازهگیریها و مقایسه بدهبستانهای طراحی بسازید
- نتیجهگیریها، فرضیات، محدودیتها و پیشنهادها را از طریق گزارشهای فنی، ارائهها و بازبینیهای طراحی ارائه کنید
- اولویتهای پژوهشی یادگیری ماشین هسته، انتخابهای پیادهسازی و قابلیتهای آینده سختافزار و نرمافزار را شکل دهید
شرایط لازم
- مدرک کارشناسی، کارشناسی ارشد، دکترا یا تجربه عملی معادل در علوم کامپیوتر، مهندسی کامپیوتر، مهندسی برق، ریاضیات یا رشتهای مرتبط
- دانش قوی از معماری کامپیوتر، محاسبات موازی و کارایی سیستمها
- درک محکم از مبانی یادگیری ماشین و سیستمهای یادگیری ماشین
- تجربه در مدلسازی تحلیلی کارایی، تحلیل پیچیدگی الگوریتمی، محکزنی یا شبیهسازی سیستم
- توانایی اثباتشده در استدلال تحلیلی و حل مسئله
- تسلط بر Python و آشنایی کاری با C++
- تجربه پروفایلسازی و اشکالزدایی کارایی در سیستمهای ML، HPC، CPU، GPU یا مبتنی بر شتابدهنده
- توانایی پیوند دادن تحلیل ریاضی، اعتبارسنجی تجربی و پیشنهادهای عملی مهندسی
- ترجیحاً: تجربه در تحلیل روفلاین، شبیهسازهای CPU یا GPU، بهینهسازی هسته یا طراحی مشترک سختافزار و نرمافزار
- ترجیحاً: آشنایی با CUDA، Triton، PyTorch، JAX یا سیستمهای متنباز آموزش و استنتاج LLM
- ترجیحاً: دانش ساختار داخلی ترنسفورمر، گونههای توجه، راهبردهای KV-cache، موازیسازی مدل، تنکی، کوانتیزهسازی و تولید موازی
- ترجیحاً: مقالات پژوهشی، پتنتها یا مشارکتهای قابلتوجه متنباز در سیستمهای ML، معماری کامپیوتر یا کارایی محاسباتی
- ترجیحاً: تجربه ارزیابی انتخابهای فناوری برای معماریهای آینده سختافزار یا نرمافزار
مزایا
- فرصتهایی برای انتشار و متنباز کردن پژوهشهای پیشرفته هوش مصنوعی
- فرصت کار با یکی از سریعترین ابررایانههای هوش مصنوعی جهان
- انرژی یک استارتاپ همراه با ثبات شغلی
- فرهنگی صریح و غیرشرکتی که به باورهای فردی احترام میگذارد
- فرصتهای مستمر برای یادگیری، رشد و دریافت حمایت
- تعهد به محیط کاری برابر و متنوع