NVIDIA 致力于开发加速计算和人工智能技术，广泛应用于游戏、数据中心、云计算、医疗保健、制造、汽车和机器人等领域。其业务涵盖图形处理器、人工智能平台、仿真技术及面向行业的解决方案，包括支持协作式 3D 工作流程的 NVIDIA Omniverse、用于自动驾驶汽车开发的 NVIDIA DRIVE，以及面向医疗应用的 NVIDIA Clara。公司汇聚了众多技术团队，专注于构建支持先进计算、仿真和人工智能驱动分析的基础设施与软件。
高级分布式系统软件工程师 – DGX Cloud | NVIDIA
为 NVIDIA DGX Cloud AI 工作负载构建并扩展基于 Kubernetes 的 GPU 基础设施。 开发调度、监控和健康管理系统，保障集群可靠且高性能运行。
描述
- 加入 DGX Cloud 团队，帮助构建支撑大规模 AI 工作负载 GPU 集群运行的生产系统。
- 创建用于调度 GPU 资源的定制 Kubernetes 软件。
- 开发监控和健康管理功能，提升 GPU 资产的可靠性、可用性和可扩展性。
- 结合 GPU 硬件诊断以及集群和网络遥测数据，为系统运营提供依据。
- 与 NVIDIA 各团队协作，确保生产 AI 集群可靠、一致且高性能运行。
- 分析系统故障，并通过结构化的事件管理流程强化服务。
任职要求
- 具备丰富的 Kubernetes 软件工程经验，涵盖集群运营、运营器开发、节点健康监控和 GPU 资源调度。
- 具备在高技术组织中的专业软件工程经验，并取得可证明的成果。
- 拥有基于 Kubernetes API 和框架的实际开发经验，而不仅是集群管理经验。
- 具备清晰的沟通能力，能够与不同职能团队、首席技术人员和架构师跨组织、跨地区协作。
- 具备至少 8 年相关岗位经验，包括大型生产系统的开发经历。
- 了解成熟的软件工程原则、工具和实践。
- 拥有计算机科学、工程、物理、数学或相关领域的学士学位，或具备同等经验。
- 熟练掌握 Go 或 Python 等系统编程语言。
- 精通数据结构和算法。
- 具备跨云服务商管理和自动化大规模分布式系统的技术能力。
- 具备 Kubernetes、Slurm 和 Bright Cluster Manager 等集群管理平台的高级实践经验。
- 在维护可靠、高性能 AI 基础设施方面拥有出色的运营记录。
福利待遇
- 股权薪酬。
- 公司福利。