ML Engineer - Infrastructure

Bei Flexion bauen wir den Autonomie-Stack für humanoide Roboter. Unsere Mission ist es, den Übergang von fragilen Prototypen zu realen Einsätzen von Humanoiden voranzutreiben. Wir wurden von führenden Wissenschaftlern im Bereich Robotik und Reinforcement Learning gegründet und von führenden internationalen VC-Firmen unterstützt. In nur wenigen Monaten haben wir von unserem ersten Code bis zur Bereitstellung echter humanoider Fähigkeiten bei unseren Kunden, unter Nutzung von Simulation und Reinforcement Learning, Fortschritte gemacht. Heute erweitern wir schnell die Fähigkeiten unseres Autonomie-Stacks, unsere Kundenbasis und unser Team.

Wir suchen einen erfahrenen ML-Ingenieur, der sich unserem erfahrenen Infrastrukturteam bei Flexion anschließt und die Verantwortung für die GPU-Computing-Plattformen von Flexion übernimmt. Dies ist eine senior Position vor Ort mit erheblichem Handlungsspielraum.

Zu den Hauptverantwortlichkeiten gehören:

• Architektur, Betrieb und kontinuierliche Verbesserung bestehender und zukünftiger cloud-basierter GPU-Cluster. Auswahl der besten Frameworks und Tools zur effizienten Ausführung unserer Cluster. Arbeiten an Cluster-Bereitstellung, Job-Schedulern und Überwachungssystemen.
• Hilfe für KI-Ingenieure bei der Optimierung ihrer Trainingslasten und Maximierung der Hardware-Nutzung mithilfe von Profilern, die zu unseren Kern-ML-Bibliotheken beitragen.
• Beitrag zu kurz- und langfristigen GPU-Computing-Strategien in Zusammenarbeit mit unseren KI-Engineering-Teams und Unterstützung bei deren Umsetzung.
• Optimierung von Kapazität und Kosten durch Erkundung von Multi-Cloud-Strategien und Bewertung von Kompromissen.
• Erhöhung der Standards für Ingenieurpraktiken, einschließlich Tests, Codequalität, Dokumentation und Systemzuverlässigkeit.

Erforderliche Qualifikationen:

• Abschluss in Informatik, Elektrotechnik oder Softwaretechnik (oder gleichwertige praktische Erfahrung) sowie umfangreiche Branchenerfahrung.
• Praktische Erfahrung mit dem Training oder der Inferenz großer Modelle (Milliarden von Parametern) auf verteilten Multi-Node-GPU-Hardware. Dazu gehört das Einrichten und Betreiben des Clusters, das Schreiben und Optimieren von Trainings-/Inferenzcode, das Erstellen von ML-Pipelines usw.
• Beherrschung von Python und Kenntnisse in PyTorch.
• Tiefes Verständnis von Konzepten des verteilten Trainings (DDP, FSDP, NCCL).
• Erfahrung mit mindestens einer Cloud-Plattform (AWS, GCP, Azure oder Neoclouds) oder großangelegter On-Premises-GPU-Infrastruktur.
• Erfahrung mit Job-Scheduling- und Orchestrierungstools: Slurm und/oder Kubernetes/KubeRay.

Wünschenswerte Qualifikationen:

• Vertrautheit mit Profilern (z.B. PyTorch Profiler, Dynolog, HTA, Nsight).
• Erfahrung mit Hochleistungs- oder parallelen Dateisystemen (z.B. Lustre).
• Erfahrung mit der Bereitstellung von Computing-Ressourcen bei mehreren Cloud-Anbietern.
• Erfahrung mit Infrastructure-as-Code und Konfigurationsmanagement (Terraform, Ansible).

Wir bieten:

• Wettbewerbsfähige Vergütung.
• Eintritt in ein führendes Robotik-Team mit Zugang zu noch nie dagewesener Forschung.
• Energiegeladene, kollaborative Kultur mit Handlungsdrang und regelmäßigen Gemeinschaftsveranstaltungen.

Standorte:

• Zürich: Verbesserte Rentenregelung, Unterstützung bei der Umzugsgenehmigung, verbesserte Urlaubsansprüche, Büro in Zürich mit erstklassigen Robotik-Testeinrichtungen.
• San Francisco: 401(k) mit Unternehmensbeiträgen, Gesundheits-, Zahn- und Sehversicherung mit der Flexibilität, Ihren eigenen Plan zu wählen, offene PTO-Politik mit bezahlten Unternehmensfeiertagen.