Senior HPC Cluster Administrator - Deep Learning Frameworks Infrastructure

NVIDIA's Deep Learning Frameworks (DLFW) Infrastructure team sucht einen technisch versierten Senior HPC Cluster Administrator, um das Design, die Bereitstellung und die Zuverlässigkeit unserer großangelegten GPU-Compute-Cluster zu leiten. Diese Systeme führen die anspruchsvollsten Deep-Learning-Trainings-, Inferenz- und Hochleistungsrechenlasten in der Branche aus - von DGX/HGX-Plattformen bis hin zu bahnbrechenden Grace Blackwell-Systemen. Sie werden architektonische Entscheidungen in den Bereichen Compute, Netzwerk und Speicher vorantreiben und eng mit Software-, Forschungs- und Produktteams zusammenarbeiten, um unsere Infrastruktur an die unterstützten Workloads anzupassen.

Was Sie tun werden:

• Den gesamten Lebenszyklus von GPU-Compute-Clustern besitzen - Beschaffung, Bereitstellung, Konfigurationsmanagement, Überwachung und Stilllegung - in heterogenen Linux-Umgebungen (DGX, HGX, eingebettete Systeme).
• Speicherlösungen (NFS, Lustre, WekaFS oder gleichwertig) entwerfen und skalieren mit einem klaren Fahrplan für Kapazitäts- und Leistungswachstum.
• Automatisierung der Infrastruktur mit modernen IaC-Tools (Ansible, Terraform) und CI/CD-Pipelines (GitLab) leiten.
• Job-Scheduling über Slurm verwalten und optimieren, einschließlich Fair-Share-Richtlinien, Reservierungsmanagement und MIG/GPU-Partitionierungsstrategien.
• Beobachtungsstacks (Prometheus, Grafana, DCGM) pflegen und verbessern sowie proaktive Lösungen für Hardware- und Softwarevorfälle vorantreiben.
• Mit ML-Ingenieuren und Softwareteams zusammenarbeiten, um die Clusterkonfiguration für großangelegte verteilte Trainings-Workloads zu optimieren.
• Neue Technologien bewerten und einführen - Netzwerkfabric (InfiniBand, NVLink, EFA/RDMA), Speicherebenen, Container-Runtimes - um Leistung und Zuverlässigkeit zu verbessern.
• Junior Engineers betreuen und zu teamweiten Ingenieurstandards beitragen.

Was wir sehen müssen:

• BS/MS in CS, EE, CE oder gleichwertige praktische Erfahrung.
• 5+ Jahre Erfahrung in der Bereitstellung und Verwaltung von großangelegten HPC- oder ML-Trainingsclustern.
• Tiefe Expertise in der Linux-Systemadministration im großen Maßstab.
• Starke Skript- und Automatisierungsfähigkeiten in Python und/oder Bash.
• Praktische Erfahrung mit Slurm (Scheduling, Accounting, cgroup-Konfiguration).
• Beherrschung des Konfigurationsmanagements und IaC (Ansible erforderlich; Terraform von Vorteil).
• Erfahrung mit Containertechnologien (Docker, Apptainer/Singularity, Kubernetes).
• Solides Verständnis von Hochgeschwindigkeitsnetzwerken (InfiniBand, RoCE, RDMA, EFA).
• Erfahrung mit verteilten/parallelisierten Dateisystemen und Speicherarchitekturen.
• Fähigkeit, Probleme von Anfang bis Ende zu lösen und klar mit Ingenieuren und Management-Stakeholdern zu kommunizieren.

Wie Sie sich von der Masse abheben können:

• Erfahrung mit NVIDIA GPU-Infrastrukturtools (DCGM, nvidia-smi, MIG, NVSwitch-Diagnose).
• Vertrautheit mit Clusterverwaltungsplattformen (Colossus, Bright Cluster Manager, xCAT oder ähnlich).
• Erfahrung in der Unterstützung großangelegter verteilter Deep-Learning-Workloads (PyTorch, JAX, Megatron).
• Kenntnisse über BMC/IPMI/Redfish für das Out-of-Band-Management und den Hardware-Lebenszyklus.
• Hintergrund in MLOps-Tools oder ML-Plattformengineering.

Schließen Sie sich unserem Team von erstklassigen Ingenieuren an und werden Sie Teil der bahnbrechenden Arbeit, die wir bei NVIDIA leisten. Wir setzen uns dafür ein, ein kollaboratives und integratives Umfeld zu fördern, in dem jedes Teammitglied die Möglichkeit hat, zu gedeihen und einen bedeutenden Einfluss zu haben!