GPU Performance Engineer for Vision and CUDA

GPU Performance Engineer for Vision and CUDA

Lausanne Vollzeit 63000 - 77000 € / Jahr (geschätzt) Kein Homeoffice möglich
CynLr

Auf einen Blick

  • Aufgaben: Entwickle optimierten GPU-Code für Vision-Algorithmen und Lernsoftware.
  • Unternehmen: CynLr, ein innovatives Startup mit einem kreativen Team.
  • Vorteile: Flexible Arbeitszeiten, spannende Projekte und die Möglichkeit zur persönlichen Weiterentwicklung.
  • Weitere Informationen: Dynamisches Umfeld mit großartigen Wachstumschancen.
  • Warum dieser Job: Gestalte die Zukunft der KI mit und arbeite an bahnbrechenden Technologien.
  • Qualifikationen: Erfahrung in GPU-Entwicklung und Leidenschaft für innovative Lösungen.

Das prognostizierte Gehalt liegt zwischen 63000 - 77000 € pro Jahr.

CynLr sucht einen GPU-Entwickler, der Vision-Algorithmen und Lernsoftware in hochoptimierten GPU-Code übersetzt. Sie werden Kerne entwerfen und implementieren, Pipelines optimieren und Debugging- sowie Visualisierungstools erstellen, um neuronale Modelle auf GPU zu präsentieren. Sie werden innerhalb eines interdisziplinären Teams arbeiten, um die Leistung zu steigern, mit der Freiheit, die Architektur in einem Startup-Umfeld zu definieren, während Sie eng mit den Teams für Neurowissenschaften und Software zusammenarbeiten.

GPU Performance Engineer for Vision and CUDA Arbeitgeber: CynLr

CynLr bietet eine dynamische und innovative Arbeitsumgebung, in der Sie als GPU Performance Engineer die Möglichkeit haben, an der Spitze der Technologie zu arbeiten. Unser Team fördert eine offene Kultur des Wissensaustauschs und der Zusammenarbeit, während wir gemeinsam an bahnbrechenden Projekten im Bereich der neuronalen Modelle arbeiten. Zudem unterstützen wir Ihre berufliche Weiterentwicklung durch gezielte Schulungen und bieten Ihnen die Freiheit, kreative Lösungen in einem Start-up-Umfeld zu entwickeln.

CynLr

Kontaktdaten:

CynLr Recruiting-Team

Wir glauben, dass du diese Fähigkeiten brauchst, um GPU Performance Engineer for Vision and CUDA mit Bravour zu bestehen

GPU-Entwicklung
Optimierung von Pipelines
Kerneldesign und -implementierung
Debugging-Tools
Visualisierungstools
Neurale Modelle
Cross-funktionale Zusammenarbeit