Member of Technical Staff - Research Infrastructure Engineer

Über Black Forest Labs

Wir sind das Team hinter Latent Diffusion, Stable Diffusion und FLUX – grundlegende Technologien, die verändert haben, wie die Welt Bilder und Videos erstellt. Wir entwickeln die generativen Modelle, die es den Menschen ermöglichen, Bilder und Videos zu erstellen – Werkzeuge, die von Millionen von Kreativen, Entwicklern und Unternehmen weltweit genutzt werden. Unsere FLUX-Modelle gehören zu den fortschrittlichsten der Welt, und wir fangen gerade erst an. Mit Hauptsitz in Freiburg, Deutschland, und einer wachsenden Präsenz in San Francisco wachsen wir schnell, während wir uns treu bleiben: Forschungsexzellenz, offene Wissenschaft und der Aufbau von Technologien, die die menschliche Kreativität erweitern.

Warum diese Rolle

Wir suchen Ingenieure, die die Engine aufbauen und warten, die unsere Mission zur Entwicklung visueller Intelligenz antreibt. Von der Wartung und Skalierung von Clustern bis hin zum Aufbau von Forschungsplattformen zur Beschleunigung des Innovationsprozesses operiert dieses Team mit großer Breite und Tiefe. Wir bauen die Systeme, die mehrwöchiges Training möglich machen, um Ressourcen in großem Maßstab zu orchestrieren und gleichzeitig effizient zu sein, was das nächste bahnbrechende Modell ermöglicht. Wenn Sie besessen von verteilten Systemen im großen Maßstab, Infrastrukturzuverlässigkeit, Skalierbarkeit, Sicherheit und kontinuierlicher Verbesserung sind, wäre dieses Team perfekt für Sie.

Woran Sie arbeiten werden

• Wartung der Forschungsinfrastruktur, Sicherstellung der Gesundheit und Optimierung der Komponenten, um die maximale Leistung aus dem System (sowohl auf Anwendungs- als auch auf Infrastrukturseite) herauszuholen.
• Skalierung der Infrastruktur, um den wachsenden Forschungsanforderungen gerecht zu werden, während Zuverlässigkeit und Leistung aufrechterhalten werden.
• Zusammenarbeit mit Forschungsteams, um ihre Infrastrukturbedürfnisse tiefgehend zu verstehen und Lösungen zu entwerfen, die Leistung und Kosteneffizienz in Einklang bringen.
• Identifizierung und Behebung von Leistungsengpässen und Kapazitäts-Hotspots durch tiefgehende Analyse verteilter Systeme im großen Maßstab.
• Aufbau und Weiterentwicklung von Telemetrie- und Überwachungssystemen, um tiefe Einblicke in die Infrastrukturleistung, -nutzung und -kosten über unsere Cloud- und Rechenzentrumsflotten zu bieten.
• Teilnahme an Bereitschaftsdiensten und Vorfallreaktionen zur Aufrechterhaltung der Systemzuverlässigkeit.

Technischer Fokus

• Python, Bash, Go
• Kubernetes
• Nvidia GPU-Treiber und -Operatoren
• OTel, Prometheus

Was wir suchen

• Erfahrung im Aufbau oder Betrieb von groß angelegten Trainingsplattformen.
• Erfahrung mit großen Rechenclustern (GPUs).
• Nachgewiesene Fähigkeit, Leistungs- und Zuverlässigkeitsprobleme über große verteilte Flotten hinweg zu debuggen.