Senior Networking Solution Test Engineer - AI Cluster Debugging

Siamo alla ricerca di un Senior Networking Test Engineer con forti capacità di debugging a livello di sistema per unirsi al nostro team di End-to-End Verification! Lavorerai su cluster AI all'avanguardia basati su NVLink, Ethernet e InfiniBand. Inoltre, sarai responsabile di problemi complessi che riguardano l'hardware, il software di sistema e i carichi di lavoro AI. Cosa farai: • Progettare e revisionare i requisiti di test e di prodotto attraverso il portfolio NVLink, Ethernet e InfiniBand / NIC / DPU / Switch, concentrandoti sul comportamento dei cluster AI su larga scala. • Costruire e mantenere testbed realistiche simili a quelle dei clienti, inclusi hardware eterogenei, combinazioni di OS / driver e fabric di rete complessi. • Gestire il troubleshooting end-to-end del cluster: riprodurre gli scenari dei clienti, effettuare il triage attraverso lo stack e guidare i problemi fino alla causa principale e alla soluzione. • Leggere e comprendere il codice sorgente pertinente per identificare difetti, convalidare le correzioni e migliorare il logging e l'instrumentation. • Collaborare strettamente con i team di sviluppo per il debug di NCCL, RoCE/RDMA e componenti di rete correlati utilizzando log, ispezione del codice ed esperimenti mirati. • Definire i test e guidare il team di automazione nell'implementazione di suite robuste e debuggabili che producano log, metriche e tracce azionabili. • Eseguire test di Regressione, Performance, Funzionali e di Scala, analizzare i risultati e fornire report chiari e basati sui dati ai collaboratori. • Profilare e testare i carichi di lavoro di training e inference del deep learning, correlando le metriche a livello di modello con la telemetria di sistema e di rete per scoprire i colli di bottiglia. Cosa dobbiamo vedere: • B.A./B.Sc. in Computer Science, Electrical Engineering, o esperienza equivalente in IT/Network/Systems. • 8+ anni di esperienza pratica in networking o test e debugging a livello di sistema su Linux. • Forti competenze di networking e debugging su Linux (ad esempio perf, tcpdump, ethtool, iproute2). • Comprovata esperienza di debugging di livello produzione: formulare ipotesi, eseguire esperimenti e guidare i problemi verso la causa principale sotto pressione. • Esperienza nella validazione e ottimizzazione delle NIC lato host (offloads, code, interrupt, interazioni firmware/driver). • Forte conoscenza delle librerie di networking AI (come NCCL) e dei protocolli (come RoCE e RDMA), inclusi il debugging di performance e correttezza. • Capacità di leggere e ragionare sul codice sorgente (C/C++/Python o simili) e collaborare strettamente con gli sviluppatori sulle correzioni. • Solide competenze di scripting e automazione con Bash / Python / Ansible per l'installazione, la raccolta dei log e l'orchestrazione degli esperimenti. • Apprendimento rapido, familiarità con i moderni strumenti e workflow AI, capacità di adattarsi rapidamente. • Eccellenti capacità analitiche, di problem-solving e di comunicazione, con forte senso di responsabilità e un approccio collaborativo. Modi per distinguersi dalla massa: • Debugging pratico di librerie di comunicazione collettiva (ad esempio NCCL) o cluster di training / inference di LLM su larga scala. • Esperienza con grandi ambienti cluster (da decine a migliaia di GPU o nodi), inclusa la gestione degli incidenti e l'analisi post-mortem. • Profonda esperienza nell'ottimizzazione e nel debugging del controllo della congestione e dell'Ethernet lossless per carichi di lavoro AI (ad esempio DCQCN, ECN, PFC). • Familiarità con le tecnologie di networking NVIDIA (ad esempio BlueField / BF3, ConnectX NICs) e il loro software stack e diagnostica. • Esperienza nel debugging di problemi che interessano più livelli (L2/L3, trasporto, framework AI) o contribuzione a sistemi di networking / AI open-source. In NVIDIA, valorizziamo la diversità e ci impegniamo a creare un ambiente inclusivo per tutti i dipendenti. Non discriminiamo in base a razza, religione, colore, origine nazionale, sesso, genere, espressione di genere, orientamento sessuale, età, stato civile, stato di veterano o stato di disabilità. Forniamo accomodamenti ragionevoli per garantire che tutti gli individui possano partecipare al processo di candidatura o di colloquio, svolgere le funzioni lavorative essenziali e ricevere altri benefici e privilegi dell'impiego. Unisciti a noi e fai parte di un team che sta spingendo i confini della tecnologia e avendo un impatto reale nel mondo.