Senior Network Software Validation Engineer – AI Clusters

NVIDIA ist der weltweit führende Anbieter von beschleunigtem Computing und treibt die KI-Revolution in den größten Rechenzentren, Clouds und Supercomputern der Welt voran. Innerhalb von NVIDIA entwickelt die Networking Business Unit (NBU die Hochgeschwindigkeitsverbindungen – einschließlich Ethernet, InfiniBand, NVLink und BlueField DPUs – die Tausende von GPUs zu einem einzigen KI-Supercomputer verbinden und Daten in dem Maßstab und der Geschwindigkeit bewegen, die von den anspruchsvollsten KI-Workloads der Welt erforderlich sind. NVIDIA sucht einen Senior Network Software Validation Engineer, um unserer Network Cluster Solutions (NCS) Validierungsgruppe beizutreten. Sie werden an der Validierung fortschrittlicher Netzwerk-Lösungen in komplexen NVIDIA KI-Cluster-Umgebungen arbeiten. Die Gruppe ist eine leistungsstarke Ingenieureinheit, die Validierung als ein erstklassiges Softwareproblem betrachtet. Wir entwickeln Systeme, Frameworks und Benchmarks, die die Korrektheit, Zuverlässigkeit und Leistung von NVIDIA-Netzwerklösungen im großen Maßstab beweisen.

In dieser Rolle kombinieren Sie die Entwicklung von Validierungsmethoden und Automatisierungstools mit praktischer Fehlersuche, Leistungsanalyse und Untersuchung modernster KI-Netzwerktechnologien im großen Maßstab.

Was Sie tun werden:

• Entwicklung von Validierungsmethoden, Überprüfung von Produktanforderungen und Erstellung umfassender Testpläne für Netzwerktechnologien in großangelegten KI-Clusterlösungen.
• Entwicklung und Pflege von Automatisierungstools und Skripten für die Testausführung, Umgebungssetup, Protokollsammlung und Datenanalyse.
• Durchführung von funktionalen, Regression-, Leistungs-, Skalierungs- und Zuverlässigkeitstests über Netzwerk- und KI-Clusterlösungen.
• Eigenverantwortliche Untersuchung komplexer Kundenprobleme durch Reproduktion realer Szenarien, Analyse von Protokollen, Telemetrie, Paketaufzeichnungen und Systemmetriken zur Identifizierung funktionaler Probleme und Leistungsengpässe.
• Lesen und Verstehen von Quellcode (C/C++/Python), um Defekte zu untersuchen, Korrekturen zu validieren und Protokollierungs-, Instrumentierungs- und Debugging-Fähigkeiten zu verbessern.
• Enge Zusammenarbeit mit Software- und Hardwareentwicklungsteams zur Fehlersuche bei Netzwerktechnologien, einschließlich NCCL, RoCE, RDMA und verwandten Softwarekomponenten.
• Profilierung und Benchmarking von KI-Trainings- und Inferenz-Workloads, Korrelation des Anwendungsverhaltens mit Netzwerk- und Systemtelemetrie zur Identifizierung von Skalierbarkeits- und Leistungsgrenzen.
• Dokumentation von Ergebnissen, Kommunikation technischer Ergebnisse und kontinuierliche Verbesserung von Validierungsmethoden, Automatisierung und Ingenieurprozessen.

Was wir sehen möchten:

• B.Sc. oder M.Sc. in Informatik, Elektrotechnik oder einem verwandten technischen Bereich oder gleichwertige praktische Erfahrung.
• Über 8 Jahre praktische Erfahrung in Netzwerken, Systemvalidierung, Softwaretests oder systemweitem Debugging unter Linux.
• Starkes Wissen über Linux-Systeme und Erfahrung in der Fehlersuche im Netzwerk im großen Maßstab.
• Nachweisliche Erfahrung in der Fehlersuche bei komplexen Produktionssystemen durch Hypothesenbildung, Entwurf von Experimenten und Verfolgung von Problemen bis zur Grundursache.
• Fähigkeit, Quellcode zu lesen und zu verstehen sowie eng mit Entwicklungsteams zusammenzuarbeiten, um Korrekturen zu validieren.
• Starke Skript- und Automatisierungserfahrung mit Python, Bash und/oder Ansible.
• Ausgezeichnete analytische, problemlösende, kommunikations- und kooperationsfähigkeiten mit einem starken Sinn für Eigenverantwortung.
• Schneller Lerner mit Neugier auf KI-Infrastruktur, verteilte Systeme und moderne KI-unterstützte Ingenieurtools.

Wie Sie sich von der Masse abheben können:

• Starkes Wissen über KI-Netzwerktechnologien, einschließlich NCCL, RoCE und RDMA, mit Erfahrung in der Fehlersuche sowohl bei Korrektheits- als auch bei Leistungsproblemen im großen Maßstab.
• Tiefes Verständnis von Staukontrolle und verlustfreien Ethernet-Technologien für KI-Workloads, einschließlich DCQCN, ECN und PFC.
• Erfahrung in der Fehlersuche bei Problemen, die mehrere Schichten umfassen, einschließlich Netzwerk (L2/L3), Transportprotokolle, Betriebssysteme, KI-Frameworks und verteilte Anwendungen.

NVIDIA wird weithin als einer der begehrtesten Arbeitgeber der Technologiebranche angesehen. Wir haben einige der innovativsten und fleißigsten Menschen der Welt, die für uns arbeiten. Wenn Sie kreativ und autonom sind, möchten wir von Ihnen hören! NVIDIA setzt sich für die Förderung eines vielfältigen Arbeitsumfelds ein und ist stolz darauf, ein Arbeitgeber mit Chancengleichheit zu sein. Da wir Vielfalt in unseren aktuellen und zukünftigen Mitarbeitern sehr schätzen, diskriminieren wir nicht (einschließlich in unseren Einstellungs- und Beförderungspraktiken) aufgrund von Rasse, Religion, Hautfarbe, nationaler Herkunft, Geschlecht, Geschlechtsidentität, sexueller Orientierung, Alter, Familienstand, Veteranenstatus, Behinderungsstatus oder einer anderen gesetzlich geschützten Eigenschaft.