Сегодня в подборке — четыре свежие вакансии с сильным уклоном в инженерную глубину: обучение больших моделей, рекламные системы, безопасность передовых моделей и аппаратная проверка ускорителей. Удалённых вариантов в этом наборе нет: все роли привязаны к офисам или конкретным хабам, зато вилки заметные и требования хорошо показывают, где сейчас нужен дорогой опыт.
Инженер производительности обучения ИИ, Salt Lake City
Свежая позиция для инженера, который умеет выжимать максимум из обучения моделей: от одной видеокарты до многоузловых запусков. Вилка указана как 200–330 тысяч долларов в год. Работа завязана на профилирование узких мест, воспроизводимые замеры, стратегию распределённого обучения, настройку пакетов данных, накопление градиентов, смешанную точность, управление памятью и перекрытие ввода-вывода с вычислениями.
По стеку это роль для глубокого системного специалиста: Python, PyTorch, C++, CUDA, Triton, ROCm/HIP, распределённое обучение, пользовательские ядра для видеокарт, облачные экземпляры, драйверы, контейнеры и планирование задач. Интересна высокая зона ответственности и очень сильная компенсация; слабое место для части кандидатов — работа не выглядит удалённой, возможны поездки и присутствие на месте.
Откликнуться: ссылка
Инженер-программист III для ИИ и машинного обучения в Google Ads, Irvine
Google Ads ищет инженера для разработки решений машинного обучения в рекламных продуктах. Оценочная вилка — 147–211 тысяч долларов в год. По описанию это не исследовательская роль «в вакууме», а работа на стыке продуктового кода, инфраструктуры машинного обучения и эксплуатации: реализация функций, использование внутренних платформ, оптимизация моделей и обработки данных, отладка производственных проблем, проверка архитектуры и кода.
Нужны Python, C++, алгоритмы и структуры данных, распределённые вычисления, инфраструктура машинного обучения, развёртывание и оценка моделей, обучение с подкреплением, проектирование систем, обработка речи и естественного языка. Роль подойдёт инженеру с сильной базой в системах и прикладном машинном обучении, но читателю из удалённого формата стоит учитывать офисную привязку к Irvine.
Откликнуться: ссылка
Исследовательский инженер по ответственным передовым моделям, Google DeepMind New York
Google DeepMind открыла роль исследовательского инженера в New York с вилкой 207–300 тысяч долларов в год. Фокус — ответственная работа с передовыми моделями: эксперименты, прототипы, масштабирование инженерных решений, архитектура систем, представление результатов исследований и объяснение компромиссов между качеством, безопасностью и масштабируемостью.
По требованиям видны безопасность ИИ, тесты и оценочные наборы, автоматизированные проверки, крупные системы, Python, C++, JAX, PyTorch, TensorFlow и обработка естественного языка. Это сильный вариант для инженера, который может одновременно писать исследовательский код и доводить инфраструктуру до надёжного состояния. Главный фильтр — офисная привязка к New York.
Откликнуться: ссылка
Инженер по проверке блоков ускорителей машинного обучения, Meta
Meta ищет старшего инженера по проверке ускорителей машинного обучения в Sunnyvale, Redmond или Austin. Оценочная вилка — 160–249 тысяч долларов в год. Это аппаратно-платформенная роль: запуск и проверка рабочих нагрузок машинного обучения, инфраструктура валидации, планы тестирования, отладка проблем на стыке железа и программного слоя, участие в проверке архитектуры, анализ производительности и энергопотребления до и после выпуска кремния.
Требования больше похожи на мир полупроводников, чем на обычную прикладную разработку: Linux, прошивки, среда выполнения, понятия SoC и RTL, Android, шины AXI/AHB/APB/OCP, эмуляция, профилирование, автоматизация тестов, компиляторы для машинного обучения и развёртывание моделей. Хорошо подойдёт кандидату с опытом проверки кремния и интересом к ИИ-ускорителям; не подойдёт тем, кто ищет чисто удалённую программную роль.
Откликнуться: ссылка
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
В первой вакансии хорошо видно, что «ускорить обучение» — это не одна библиотека, а слой между ядрами для видеокарт, памятью, вводом-выводом и планировщиком задач. На такой роли я бы сразу спрашивал, какие замеры у них считаются эталонными и кто владеет воспроизводимостью этих прогонов.
Согласен: без воспроизводимых замеров такая роль быстро превращается в тушение отдельных узких мест. Я бы еще уточнял, есть ли у команды право менять сам конвейер данных и расписание задач, а не только оптимизировать ядра для ускорителей.
Точно, если инженер не может трогать конвейер данных, он будет героически выжимать проценты там, где теряются десятки. Я бы ещё спрашивал, кто утверждает изменения в планировщике задач и как быстро их можно довести до рабочего запуска.