Senior ML Engineer | Kimchi (Inference Stack Optimization)

Senior ML Engineer | Kimchi (Inference Stack Optimization)

Vollzeit 61650 - 75350 € / Jahr (geschätzt) Homeoffice
C

Auf einen Blick

  • Aufgaben: Optimiere unsere Inferenz-Stacks für schnellere und kostengünstigere ML-Modelle.
  • Unternehmen: Innovatives Unternehmen mit globalem Team und Start-up-Atmosphäre.
  • Vorteile: Flexibles Arbeiten, Wettbewerbsfähiges Gehalt, Weiterbildungsmöglichkeiten und jährliche Hackathons.
  • Weitere Informationen: Dynamisches Umfeld mit großartigen Karrierechancen und Team-Events.
  • Warum dieser Job: Gestalte die Zukunft der KI mit modernster Technologie und echten Herausforderungen.
  • Qualifikationen: Mindestens 5 Jahre Erfahrung in ML-Systemen und tiefes Verständnis für Inferenzinfrastruktur.

Das prognostizierte Gehalt liegt zwischen 61650 - 75350 € pro Jahr.

Why Kimchi?

Great models are raw ingredients.

Kimchi is what happens when you ferment them with good engineering.

We started inside CAST AI helping companies run LLMs on their own Kubernetes clusters; today we run our own coding harness on any model you pick, and we run the models underneath it ourselves.

Kimchi Inference

One API line and a customer's existing client just works: Deep Seek, GLM, Kimi, Mini Max, Nemotron served serverless from our own GPU fleet (Open AI- and Anthropic-compatible, pay per token, spend visible per user, team, and key).

When control matters, the same models run on the customer's own cluster instead.

Behind that one line sits the machinery you'll own: SGLang and v LLM engines, B300 nodes, a shared cluster filesystem that holds every checkpoint exactly once, KV caches riding coding traffic with heavy prefix reuse, and the benchmark harness that gates every change we ship.

Made by Cast AI — a Miami-headquartered, globally distributed team across 34 countries that hit unicorn status in January 2026 with a $50B+ backed investment pushing its valuation past $1 billion.

About The Role

Throughput. Latency. Cold starts. Cost per token.

Move those four numbers in the right direction and two things happen: customers get faster, cheaper inference, and our margins improve.

That's the entire thesis of this role.

Every loader you tune, every scheduler decision you land, every kernel you stare at shows up in a customer's p99 and on our P&L.

Your mandate is the inference stack's optimization, whatever it takes, and the technical direction of how we optimize it is yours to argue with data.

The problem

The checkpoints run 0.3-1.5 TB, and the "right" serving configuration depends on traffic shape, sequence-length distribution, batch dynamics, GPU SKU, memory bandwidth, and quantization tolerance, all variables that shift week to week.

Most teams pick a configuration once, over-provision GPUs, and absorb the cost.

We don't: we took Kimi-K3 (1.5 TB) from over an hour cold-to-serving to under twelve minutes with a shared filesystem, O_DIRECT weight loaders, and node-local JIT caches, and we're nowhere near done.

Prefill/decode disaggregation and tiered KV caches are next.

Stack

  • Python; SGLang; v LLM; Tensor RT-LLM; Py Torch; fastsafetensors; CUDA-adjacent tooling; Kubernetes; virtiofs shared filesystems; Click House; Open Telemetry; Prometheus; Grafana; Git Lab CI.

Requirements

  • You've built real ML systems for 5+ years, and your portfolio shows depth in inference or training infrastructure, not just model training notebooks.
  • Your Python is production-grade: services, not scripts.
  • You've run v LLM, SGLang, or Tensor RT-LLM for real, and you have a working mental model of why an engine performs the way it does on a given GPU.
  • You've measured quantization regressions, not just compression ratios.
  • Multi-GPU and multi-node setups hold no fear: tensor and expert parallelism, collective communication, and their practical failure modes.
  • You know where the bytes live (page caches, O_DIRECT, network filesystems under terabyte-scale reads) and how fast they move.
  • You instrument before you optimize, and you can tell a real win from a benchmark artifact.
  • A wide mandate excites you more than it unsettles you.
  • Nice to haves
  • You've worked on LLM routing specifically: Router Bench-class evals, cost/quality/latency Pareto fronts.
  • Calibration, abstention, or conformal methods in production decision systems.
  • You've run online A/B loops with drift monitoring on a model that touches real money.

Responsibilities

  • Push throughput.

Continuous batching, chunked prefill, speculative decoding with draft models, CUDA-graph capture, and scheduler tuning across the engine fleet.

Find the ceiling on each GPU SKU, then raise it.

  • Cut latency.

Attack TTFT and inter-token latency separately; profile to find the actual bottleneck (compute, memory bandwidth, scheduling, storage, or network) and fix it, not the one you assumed.

  • Get more out of the KV cache.

Hierarchical and paged attention, prefix caching on heavy-reuse coding traffic, eviction policies, quantized KV.

A lot of the unrealized throughput lives here, and you'll own it.

  • Kill cold starts.

Weight loaders (O_DIRECT, fastsafetensors-class), JIT and compile caches, shared-filesystem read paths.

A 1.5 TB checkpoint has no business taking an hour to reach serving.

  • Quantize without regressing quality. INT8/INT4, FP8/FP4 across weights, activations, and KV, measured on real workloads, not just perplexity benchmarks.
  • Scale across nodes.

Distributed inference topologies, network-aware placement, prefill/decode disaggregation, checkpointing strategies that don't bottleneck on storage or interconnect.

  • Set the technical direction. Decide what we benchmark, what we adopt, and what we build ourselves. Bring the team along with strong writeups and reproducible experiments.

What’s in it for you?

  • Competitive salary (depending on the level of experience).
  • Enjoy a flexible, remote-first global environment.
  • Collaborate with a global team of cloud experts and innovators, passionate about pushing the boundaries of Kubernetes technology
  • Equity options.
  • Get quick feedback with a fast-paced workflow. Most feature projects are completed in 1 to 4 weeks.
  • Spend 10% of your work time on personal projects or self-improvement.
  • Learning budget for professional and personal development - including access to international conferences and courses that elevate your skills.
  • Annual hackathon to spark new ideas and strengthen team bonds.
  • Team-building budget and company events to connect with your colleagues.
  • Equipment budget to ensure you have everything you need.
  • Extra days off to help maintain a healthy work-life balance.
  • Hiring process
  • Screening call with Recruiter
  • Hiring Manager interview
  • Technical interview (system design)
  • Live coding
  • Culture Check interview with an executive

As part of our standard hiring process, we would like to inform you that a background check may be conducted at the final stage of recruitment through our third-party provider, Checkr.

Please note that Cast AI does not provide any form of visa sponsorship/work permit.

#J-18808-Ljbffr

Senior ML Engineer | Kimchi (Inference Stack Optimization) Arbeitgeber: Cast AI

Cast AI ist ein hervorragender Arbeitgeber, der Ihnen die Möglichkeit bietet, in einem dynamischen und schnell wachsenden Unternehmen im Bereich Cloud-nativer Automatisierung und Kubernetes-Technologie zu arbeiten. Mit einer flexiblen, remote-first Arbeitsumgebung, umfangreichen Vorteilen wie einem 401(k)-Rentenplan mit 100%iger Unternehmensübereinstimmung, Gesundheitsleistungen und einem Budget für persönliche sowie berufliche Weiterbildung, fördert Cast AI eine Kultur des Wachstums und der Zusammenarbeit. Hier haben Sie die Chance, Ihre Karriere in einem innovativen Umfeld voranzutreiben und Teil eines engagierten Teams zu werden, das Exzellenz im Vertrieb aufbaut.

C

Kontaktdaten:

Cast AI Recruiting-Team

StudySmarter Expertenrat🤫

Wir sind der Meinung, dass du so Senior ML Engineer | Kimchi (Inference Stack Optimization) erhalten könntest

✨Engagier dich in Entwickler-Communities!

Lass uns mal ehrlich sein: In der Software-Entwicklung sind Netzwerke Gold wert! Tummel dich in GitHub-Projekten, nehme an lokalen Meetups oder Hackathons teil und vernetze dich mit anderen Entwicklern. So steigerst du nicht nur deine Sichtbarkeit, sondern lernst auch die neuesten Trends und Technologien kennen.

✨Zeig deine Fähigkeiten!

Erstelle ein Portfolio, das deine besten Projekte und Code-Examples zeigt. Nichts überzeugt mehr als ein praktischer Beweis deiner Skills. Das kann auch helfen, bei Cast AI anzuklopfen, wenn du dich auf die Stelle als Senior ML Engineer | Kimchi (Inference Stack Optimization) bewirbst – so wissen sie gleich, was sie von dir erwarten können!

✨Nutze Jobplattformen speziell für Tech-Jobs!

Plattformen wie Stack Overflow Jobs oder AngelsList sind perfekte Orte, um Vollzeitstellen in der Software-Entwicklung zu finden. Hier sind viele tolle Unternehmen auf der Suche nach Talenten wie uns, also schau regelmäßig vorbei und bewirb dich direkt über die Website.

✨Such dir Mentoren und Feedback!

Hol dir Feedback von erfahrenen Entwicklern, die dir Tipps geben können, was Recruiter wirklich suchen. Ob über LinkedIn oder persönliche Kontakte: Menschen, die sich in der Branche auskennen, können enorm wertvoll sein, um dir zu helfen, dich optimal auf deine Bewerbung bei Cast AI vorzubereiten!

Wir glauben, dass du diese Fähigkeiten brauchst, um Senior ML Engineer | Kimchi (Inference Stack Optimization) mit Bravour zu bestehen

Python
vLLM
SGLang
TensorRT-LLM
CUDA
Kubernetes
Multi-GPU Setups

Einige Tipps für deine Bewerbung 🫡

Highlights deiner Coding-Skills:In der Software-Entwicklung kommt es auf konkrete Fähigkeiten an. Vergiss nicht, relevante Programmiersprachen und Frameworks in deinen Lebenslauf aufzunehmen. Zeig uns, was du kannst – vielleicht mit einem Link zu deinem GitHub-Profil oder einer Übersicht deiner Side Projects, die deine Programmierkenntnisse illustrieren.

Dokumentation deiner Erfolge:Gerade bei einer Vollzeitstelle in der Software-Entwicklung sind konkrete Ergebnisse Gold wert. Nenn uns Zahlen und Ergebnisse aus deinen vorherigen Projekten. Hast du den Code optimiert oder Systemfehler behoben? Solche Erfolge zeigen, dass du die Sprache der Entwickler sprichst und einen echten Mehrwert bringst.

Attraktive Projektbeschreibungen:Wenn du an Projekten gearbeitet hast, die hervorstechen, beschreibe sie ausführlich in deinem Lebenslauf. Was war das Problem, das du gelöst hast? Welche Technologien hast du eingesetzt? Das gibt uns einen klaren Einblick in deine Herangehensweise und Problemlösungsfähigkeiten.

Motivation zeigen:In deinem Anschreiben solltest du deine Motivation für die Stelle im Bereich Software-Entwicklung bei Cast AI klar herausstellen. Warum sprichst gerade du die Anforderungen für diese Vollzeitrolle an? Mach deutlich, was dich an der Arbeit bei uns reizt und wie du über das rein Technische hinaus wachsen möchtest.

Wie man sich auf ein Vorstellungsgespräch bei Cast AI vorbereitet

✨Technische Vorbereitung auf die Coding-Challenges

In der Software-Entwicklung sind technische Fragen oft ein zentraler Teil des Interviews. Macht euch mit Plattformen wie LeetCode oder HackerRank vertraut, um eure Problemlösungsfähigkeiten zu trainieren. Zeigt im Interview viel Selbstbewusstsein beim Erklären eurer Ansätze!

✨Das eigene Portfolio im besten Licht präsentieren

Stellt sicher, dass ihr ein aussagekräftiges Portfolio habt, das einige eurer besten Projekte zeigt. Seid bereit, darüber zu sprechen, was eure Rolle war, welche Technologien ihr verwendet habt und welche Herausforderungen es gab. Das gibt den Interviewern einen Einblick in eure praktische Erfahrung.

✨Teamfähigkeit und Kommunikation betonen

In einer Vollzeit-Position wird Kommunikation im Team sehr wichtig sein. Seid bereit, Beispiele aus der Vergangenheit zu teilen, in denen ihr effektiv im Team gearbeitet habt. Dies zeigt, dass ihr nicht nur technische Fähigkeiten habt, sondern auch gut ins Team passt.

✨Vorbereitung auf Fragen zur Software-Architektur

Bereitet euch darauf vor, Fragen zur Software-Architektur zu beantworten. Themen wie RESTful APIs, Microservices und Cloud-Architekturen können Teil eures Interviews sein. Zeigt euer Verständnis durch Diskussionen und Beispiele aus eurer bisherigen Arbeit oder Projekte.