О позиции
Мы ищем Инженера по производительности GPU, который будет управлять одним из самых дефицитных и дорогих ресурсов компании — графическими процессорами (GPU). Эффективное использование GPU критически важно для работы ключевых сервисов Яндекса. Наша миссия — обеспечить максимальную отдачу от каждой GPU-карты.
Чем вы будете заниматься
- Повышение эффективности утилизации GPU: формировать гипотезы и исследовать способы повышения эффективности, участвовать в реализации и внедрении решений, формировать рекомендации и лучшие практики.
- Оптимизация и профилирование: находить узкие места в производительности и устранять их с помощью профилировщиков, оптимизировать доступ к памяти и пропускную способность.
- Развитие инструментов диагностики: создавать и улучшать инструменты для быстрого выявления и устранения инфраструктурных проблем.
- Исследование и внедрение современных решений: изучать новейшие подходы к организации инфраструктуры для обучения и инференса, оценивать их эффективность.
- Анализ архитектуры, тестирование, интеграция: взаимодействовать с разработчиками и системными архитекторами, участвовать в оценке аппаратных решений.
Требования
- Знание Python и опыт системного программирования.
- Опыт работы с фреймворком PyTorch.
- Оптимизация производительности GPU-приложений.
- Работа с GPU (NVIDIA) и CUDA.
- Применение подходов параллелизации для распределённого инференса или обучения.
Будет плюсом
- Уверенное владение C/C++ или аналогичными низкоуровневыми языками.
- Опыт работы с библиотеками RL-обучения для LLM.
Что мы предлагаем
- Работа в комьюнити Яндекса с возможностью участия в спортивных клубах, книжном клубе и киберспортивном сообществе.
- Полный список бонусов доступен на нашем сайте.
- Конкурентная зарплата и возможности для профессионального роста.
- Гибкий график работы и возможность удалённой работы.
- Доступ к современным технологиям и инструментам.
- Поддержка в обучении и развитии.
Вакансия предлагает интересные задачи в области оптимизации GPU. Условия работы хорошие, но зарплата не указана, что может быть минусом.
Кто здесь добьётся успеха
Глубокое понимание CUDA и оптимизации производительности GPU, включая опыт работы с библиотеками Nvidia и PyTorch для разработки эффективных алгоритмов.
Способность самостоятельно проводить диагностику и тестирование производительности, используя Python для создания скриптов и инструментов, которые помогут в анализе данных и выявлении узких мест.
Открытость к новым технологиям и методам работы, что особенно важно в удаленном формате, где требуется высокая самодисциплина и способность к самообучению.
Ресурсы для обучения
Карьерный путь
Обзор рынка
Навыки и требования
Тренды отрасли
Новости AI
Загружаем новости отрасли...
Ищем релевантные статьи за последние 6 месяцев