Senior HPC and AI Networking Performance Research and Analysis Engineer

Überblick: Diese Rolle konzentriert sich auf die Analyse und Optimierung von großangelegten KI- und HPC-Workloads auf verteilten Recheninfrastrukturen, mit Schwerpunkt auf GPU/CPU-Clustern, KI-Training und -Inference für große Sprachmodelle. Die Position umfasst tiefgehende technische Forschung über Hardware und Software, Untersuchung von Kommunikationsmustern, RDMA-Netzwerken und kollektiven Kommunikationsframeworks, um Engpässe zu identifizieren und systemweite Verbesserungen voranzutreiben.

Verantwortlichkeiten:

• Profilieren, Analysieren und Benchmarking von großangelegten KI-Workloads über verteilte GPU- und CPU-Cluster, mit Fokus auf Deep Learning und LLM-Training und -Inference.
• Untersuchung von Kommunikationsmustern, Netzwerkverhalten und kollektiven Operationen wie RDMA und NCCL zur Identifizierung von Leistungsengpässen.
• Entwicklung und Implementierung von Performance-Analysetools, Methoden und simulationsbasierten Ansätzen zur Bewertung des Systemverhaltens.
• Zusammenarbeit mit Hardware- und Software-Engineering-Teams zur Bereitstellung umsetzbarer Leistungsinsights und Optimierungsempfehlungen.
• Definition von Leistungsteststrategien und Festlegung von Benchmarks für neue Technologien, Systeme und KI-Infrastrukturkomponenten.
• Analyse der End-to-End-Systemleistung über GPUs, CPUs, Interconnects, Speichersysteme und Netzwerkinfrastruktur.
• Beitrag zur Ursachenanalyse von Leistungsproblemen in großangelegten verteilten KI-Trainings- und Inference-Workloads.

Anforderungen:

• Abschluss in Informatik, Softwaretechnik oder einem verwandten technischen Bereich.
• 6+ Jahre Erfahrung in Hochleistungsnetzwerkumgebungen, einschließlich RDMA, MPI oder NCCL.
• Starker Hintergrund in der Leistungsanalyse, Benchmarking und Systemoptimierungsmethoden.
• Praktische Erfahrung mit NVIDIA-GPUs, CUDA und Deep-Learning-Frameworks wie TensorFlow oder PyTorch.
• Starkes Verständnis von Netzwerkprotokollen und kollektiven Kommunikationstechnologien wie RoCE und RDMA.
• Kenntnisse in Python, C und Bash, mit Erfahrung in der Entwicklung von Performance-Analyse- oder Diagnosetools.
• Solides Verständnis von Linux-basierten Betriebssystemen und verteilten Rechenumgebungen.
• Starke analytische und problemlösende Fähigkeiten mit der Fähigkeit, komplexe Systeme schnell zu erlernen.
• Ausgezeichnete Kommunikations- und Teamfähigkeiten in funktionsübergreifenden Engineering-Umgebungen.

Wünschenswert:

• Tiefe Expertise in LLM-Benchmarking, Staukontrollalgorithmen, CUDA/NCCL-Interna und Systemarchitektur (CPU, GPU, Speicher, PCIe, HCA).

Vorteile:

• Hoch wettbewerbsfähiges Vergütungspaket mit leistungsbasierten Anreizen.
• Gelegenheit, an modernster KI-Infrastruktur und Supercomputing-Systemen zu arbeiten.
• Einblick in großangelegte verteilte KI-Workloads, die in globalen Umgebungen verwendet werden.
• Zusammenarbeit mit Experten der Spitzenklasse in HPC, Netzwerken und KI-Systemen.
• Flexible Arbeitsbedingungen in der gesamten Schweiz und an entfernten Standorten.
• Umfassende Vorteile zur Unterstützung von Gesundheit, Wohlbefinden und beruflichem Wachstum.
• Inklusive und vielfältige Arbeitsumgebung mit Prinzipien der Chancengleichheit.
• Starker Fokus auf Innovation, Lernen und fortgeschrittene technische Entwicklung.