Senior Software Engineer, DGX Cloud AI Infrastructure

🕒 vor 4 Monaten

🏄 California, Oregon, +2 weitere Bundesländer – Remote

🏄 California – Remote 🌲 Oregon – Remote 🤠 Texas – Remote ☕ Washington – Remote

💵 $184.000 - $356.500 / Jahr

⏰ Vollzeit

🟠 Senior

🧑‍💻 Full-Stack-Entwickler

🦅 H1B-Visum-Sponsor

Dieses Unternehmen hat in der Vergangenheit H1B-Visa gesponsert.

👻 Geisterscore 43%

Was es bedeutet: wie wahrscheinlich diese Stelle offen bleibt, ohne dass aktiv eingestellt wird.So liest du es: 60 % oder höher heißt, wir halten das für einen Geisterjob. Niedrigere Werte sind weniger bedenklich.Wie wir werten: Dauer offen, Neuveröffentlichungen, offene Stellen vs Teamgröße, wie schnell Stellen geschlossen werden, und ob ein Gehalt angegeben ist.Hinweis: eine Schätzung aus öffentlichen Daten, kein Urteil über das Unternehmen. Echte Stellen können hoch punkten, nutze es also als Hinweis, nicht als Fakt.

Jetzt Bewerben

Ähnliche Remote-Jobs finden

E-Mail-Benachrichtigung für neue Jobs einrichten

📊 Überprüfen Sie Ihre Lebenslauf-Bewertung für diese Stelle

Verbessern Sie Ihre Chancen auf ein Vorstellungsgespräch, indem Sie Ihre Lebenslauf-Bewertung vor der Bewerbung überprüfen.

Lebenslauf hochladen

NVIDIA

WebsiteLinkedInAlle Stellen

10.000+ Mitarbeiter

Gegründet 1993

🏥 Gesundheitswesen

🏭 Fertigung

🤖 Künstliche Intelligenz

Healthcare • Manufacturing • Artificial Intelligence

NVIDIA ist ein führendes Technologieunternehmen mit Spezialisierung auf beschleunigtes Computing und Künstliche Intelligenz (AI). NVIDIA treibt Fortschritte bei Grafikprozessoren (GPUs), Cloud Computing, Rechenzentren und Virtual Reality voran und fokussiert dabei Branchen wie Gaming, Automotive, Gesundheitswesen und Robotik. Innovationen des Unternehmens wie NVIDIA Omniverse transformieren traditionelle digitale Prozesse, indem sie hochrealistische Simulationen und Rendering-Aufgaben ermöglichen. Die Anwendungen erstrecken sich über zahlreiche Branchen – von autonomen Fahrzeugen mit NVIDIA DRIVE über Gesundheitslösungen mit NVIDIA Clara bis hin zu AI-gestützten Analysen und Workflows.

Beschreibung

• Lead bring-up, validation, and debugging of large-scale AI clusters, infrastructure, and end-to-end workloads • Bring up, tune, and benchmark AI pre-training, post-training, and inference workloads using PyTorch, NeMo / Megatron, TensorRT-LLM, and adjacent NVIDIA AI software stacks • Profile and optimize end-to-end workload performance across compute, memory, networking, and communication layers using Nsight Systems, NCCL tests, and custom microbenchmarks • Analyze scaling efficiency for distributed LLM workloads using data, tensor, pipeline, and expert parallelism across modern GPU clusters • Own root-cause analysis of complex failures, including hangs, performance regressions, and topology sensitivity in large distributed environments • Define and build the resilience and failure-attribution stack for node, fabric, and workload failures across the cluster • Build repeatable benchmark suites, automation, acceptance criteria, and qualification workflows on new platforms • Tune runtime settings, communication parameters, and deployment configurations with framework, systems, and platform teams • Deliver data-driven recommendations based on profiling, benchmark results, and cluster characterization • Mentor engineers, drive technical standards, and influence the broader performance and infrastructure organization

🎯 Anforderungen

• Bachelor’s or Master’s in Computer Science or a related technical field (or equivalent experience) • 8+ years of experience developing software infrastructure for large-scale AI or HPC systems, including a track record of technical leadership • Expertise debugging and triaging AI applications across the full stack — from the application layer down to the hardware • Deep hands-on experience with NCCL, CUDA-aware distributed execution, and debugging multi-GPU and multi-node workloads at scale • Proven track record of architecting, debugging, and scaling large-scale distributed systems • Expert-level Python and C/C++ programming skills • Experience operating workloads in scheduled, containerized cluster environments • Excellent analytical, debugging, and communication skills, with the ability to influence across teams • Demonstrated experience debugging and optimizing AI workloads at large scale • Deep familiarity with the RDMA software stack (NCCL, IB verbs, UCX, libfabric) • Strong knowledge of GPU cluster fabrics and topology, including NVLink, NVSwitch, PCIe, RoCE, and InfiniBand • Experience building acceptance tests, benchmark harnesses, regression gates, or cluster qualification tooling for AI platforms • Experience building resilience, fault-detection, or failure-attribution systems for datacenter-scale infrastructure

🏖️ Vorteile

• Equity • Benefits