Az NVIDIA gyorsított számítástechnikai és mesterségesintelligencia-technológiákat fejleszt, amelyeket a játékok, az adatközpontok, a felhőalapú számítástechnika, az egészségügy, a gyártás, az autóipar és a robotika területén használnak. Tevékenysége kiterjed a grafikus feldolgozóegységekre, a mesterségesintelligencia-platformokra, a szimulációra és az iparágakra szabott megoldásokra. Ezek közé tartozik az együttműködésen alapuló 3D-munkafolyamatokat támogató NVIDIA Omniverse, az autonóm járművek fejlesztésére szolgáló NVIDIA DRIVE, valamint az egészségügyi alkalmazásokhoz készült NVIDIA Clara. A vállalat nagy műszaki csapatokat fog össze, amelyek a fejlett számítástechnikát, szimulációt és mesterséges intelligencián alapuló elemzést támogató infrastruktúrán és szoftvereken dolgoznak.
NVIDIA fejlesztői kapcsolatokért felelős menedzser – Alapvető MI-kutatás (Távoli munkavégzés, Kalifornia)
Vezesse az alapmodelleket és MI-rendszereket fejlesztő akadémiai kutatókkal folytatott műszaki együttműködést. Kapcsolja össze a tanítás, a következtetés és a skálázható számítás élvonalbeli kutatásait az NVIDIA platformjaival és fejlesztői programjaival.
Leírás
- Adjon tanácsot vezető akadémiai MI-laboratóriumoknak az alapmodellek, a nagy nyelvi modellek, a multimodális MI, a következtetés, a tanítás, a következtetés-futtatás és az MI-rendszerek területén.
- Azonosítsa azokat a nagy értékű kutatási munkaterheléseket, amelyeknél az NVIDIA szoftverei, rendszerei és gyorsított számítási megoldásai javíthatják a modellek teljesítményét, skálázhatóságát és hatékonyságát.
- Dolgozzon vezető kutatókkal, posztdoktori kutatókkal, végzős hallgatókkal és laboratóriumi vezetőkkel a kutatási prioritások, műszaki akadályok, infrastruktúra-igények és együttműködési lehetőségek megértése érdekében.
- Kövesse az élvonalbeli MI-fejlesztéseket kutatási publikációkban, benchmarkokban, nyílt forráskódú projektekben és akadémiai laboratóriumokban a kialakuló trendek és platformlehetőségek feltárásához.
- Működjön együtt a kutatási ügyfélmenedzserekkel, megoldás-architektekkel, a termék-, mérnöki és üzletfejlesztési csapatokkal a kutatói elfogadás ösztönzése és tartós kapcsolatok kialakítása érdekében.
- Alakítsa az akadémiai visszajelzéseket a termék-ütemtervek, fejlesztői kezdeményezések, oktatási programok és platformstratégia gyakorlati inputjává.
- Képviselje az NVIDIA-t vezető MI-, gépi tanulási és rendszerkutatási fórumokon műszaki tartalmakkal, workshopokkal, egyetemi partnerségekkel és kutatólaboratóriumoknak szóló programokkal.
Követelmények
- Számítástechnikai, mesterségesintelligencia-, gépi tanulási, alkalmazott matematikai, villamosmérnöki vagy kapcsolódó műszaki területen szerzett PhD-fokozat vagy azzal egyenértékű kutatási tapasztalat.
- Legalább öt év tapasztalat a technológiai iparágban szoftverfejlesztés, fejlesztői kapcsolatok, műszaki partnerségek, megoldás-architektúra vagy termékmenedzsment területén, amelyből legalább három év gyakorlati MI-tapasztalat.
- Az alapvető MI fejlett ismerete, beleértve a nagy nyelvi modelleket, multimodális modelleket, generatív MI-t, következtetést, utótréninget, modellértékelést vagy MI-rendszerek kutatását.
- Az MI-fejlesztési életciklus átfogó ismerete, beleértve az előtanítást, finomhangolást, utótréninget, optimalizálást, értékelést, telepítést és modellkiszolgálást.
- Gyakorlati tapasztalat olyan kutatási eszközökkel és platformokkal, mint a PyTorch, a JAX, az elosztott tanítási keretrendszerek, a következtetési rendszerek, a modellkiszolgáló platformok, az értékelési folyamatok és a GPU-gyorsított munkafolyamatok.
- A skálázható MI-infrastruktúra műszaki ismerete, beleértve az elosztott tanítást, a párhuzamosságot, a checkpointokat, a memóriaműveletek optimalizálását, a kötegelt feldolgozást, az ütemezést, a késleltetést, az áteresztőképességet és a költség-teljesítmény kompromisszumait.
- A modellhatékonyságot és -minőséget javító technikák ismerete, beleértve a kvantálást, a desztillációt, a ritkaságot, a spekulatív dekódolást, a figyelmi mechanizmus optimalizálását, a szintetikusadat-generálást, az RLHF/RLAIF-et és a preferenciaoptimalizálást.
- Képesség az élvonalbeli kutatási kihívások megvitatására vezető akadémiai laboratóriumokkal, beleértve a skálázási viselkedést, a számítási hatékonyságot, a modellminőséget, a benchmarktervezést, a reprodukálhatóságot, a megbízhatóságot és a kutatás hatását.
- Kutatói hitelesség igazolása publikációkkal, nyílt forráskódú munkával, akadémiai együttműködésekkel, műszaki vezetői tapasztalattal vagy fejlett MI-rendszerekhez való közvetlen hozzájárulással.
- Tapasztalat olyan NVIDIA MI-technológiákkal, mint a CUDA, a CUDA-X könyvtárak, a TensorRT-LLM, a Triton Inference Server, a NIM, a NeMo, a Megatron, a Transformer Engine, az NCCL, a DGX, az NVLink, az InfiniBand vagy az NVIDIA AI Enterprise.
- Kialakult kapcsolatok vezető MI-laboratóriumokkal, egyetemekkel, kutatóintézetekkel, benchmarkközösségekkel vagy jelentős nyílt forráskódú MI-projektekkel.
- Bizonyított képesség a fejlett MI-kutatások bemutatókká, oktatóanyagokká, referencia-architektúrákká, workshopokká, műszaki cikkekké vagy fejlesztői enablementprogramokká alakítására.
- Konferenciákon vagy workshopokon szerzett előadói tapasztalat, például a NeurIPS, az ICML, az ICLR, a CVPR, az AAAI vagy hasonló kutatási fórumokon.
- Képesség a kialakuló kutatási irányok felismerésére és együttműködési, platformelfogadási és ökoszisztéma-lehetőségekké alakítására.
Juttatások
- Részvényjuttatás
- Juttatások