Vereinigte Staaten
B&A
Matter Inc
AI Infrastructure Engineer
Vereinigte Staaten
Menlo Park, California, United States
PythonKubernetesC++Rust
Automatische Übersetzung. Prüfe das Original.
ÜBER MATTER
Matter entwickelt den KI-nativen Autonomie-Stack für die physische Fertigung in den Vereinigten Staaten. Wir betreiben unsere eigenen Fabriken, implementieren unsere eigene Software und erfassen Daten aus jeder Produktionsphase – von der CAD-Aufnahme bis zum fertigen Produkt.
Unsere Plattform, MatterOS, ist die einheitliche Softwareebene für Fabrikabläufe, Prozessorchestrierung und die Bereitstellung von Autonomie. Die Datenpipeline, die sie speist – von der Maschinentelemetrie in der Fertigung bis zum Modelltraining in der Cloud – ist die Infrastruktur, die Sie aufbauen und verantworten werden.
DIE ROLLE
Wir suchen einen AI Infrastructure Engineer, der die Daten- und Rechensysteme entwirft und betreibt, die MatterOS und unsere Sim2Real-Trainingspipeline antreiben. Sie arbeiten an Edge-Computing, Cloud-Trainingsinfrastruktur und den Datenpipelines, die unsere „Smart Data“-Strategie in die Realität umsetzen.
Ihre Aufgabe ist es sicherzustellen, dass jeder Datenpunkt – vom Messwert eines Drehmomentsensors bis zum Kamerabild – mit der Maschinen-ID, dem Prozessstatus und dem Produktionskontext versehen wird, der ihn trainierbar macht.
WARUM MATTER
Bei den meisten KI-Infrastrukturrollen geht es darum, bestehende Systeme am Laufen zu halten. Bei Matter bauen Sie die Infrastruktur von Grund auf für eine Kategorie, die so noch nicht vollständig existiert: autonome physische Fertigung.
IHRE AUFGABEN
- Entwurf und Wartung der Edge-to-Cloud-Datenpipeline unter Wahrung des semantischen Kontexts über die gesamte Kette hinweg
- Aufbau und Verwaltung der GPU-Recheninfrastruktur für VLA-Modelltraining, Experiment-Tracking und verteilte Trainings-Workflows
- Implementierung der Datenerfassungsschicht für 100%-Erfassung aus modularen Montagezellen, einschließlich Kamera-Feeds, Sensor-Streams, Maschinenstatus und Prozessmetadaten
- Entwicklung von Feature-Engineering-Pipelines, die rohe Betriebsdaten in strukturierte Trainingseingaben für KI-Modelle umwandeln
- Verwaltung der Modellbereitstellung auf Edge-Hardware in der Fabrik: Latenz, Versionierung, Rollback und Überwachung in der Produktion
- Aufbau von Observability-Systemen, die Modellleistungsabfälle, Datendrift und Geräteanomalien in Echtzeit aufzeigen
- Zusammenarbeit mit KI-Forschern, um Modellanforderungen in Infrastrukturspezifikationen zu übersetzen und umgekehrt
WAS WIR SUCHEN
- 3+ Jahre Erfahrung in ML-Infrastruktur, MLOps oder Data Engineering in einer Produktionsumgebung
- Fundierte Kenntnisse in verteilten Datensystemen: Kafka, Flink oder gleichwertig; Zeitreihendatenbanken (InfluxDB, TimescaleDB oder ähnlich)
- Erfahrung mit GPU-Cluster-Management und verteiltem Training (SLURM, Ray oder Kubernetes-basiert)
- Vertrautheit mit Industrieprotokollen: OPC UA, MQTT, Modbus (oder die Bereitschaft, sich diese schnell anzueignen)
- Beherrschung von Python; Komfort mit C++ oder Rust für leistungskritische Edge-Komponenten ist ein Plus
- Systemdenken: Sie verstehen, dass Datenqualität, nicht Datenvolumen, der Schlüssel zum Erfolg von KI in eingeschränkten physischen Umgebungen ist
WÜNSCHENSWERT
- Erfahrung mit NVIDIA Isaac Sim, ROS2 oder Edge-KI-Bereitstellung (Jetson, FPGA oder ähnlich)
- Hintergrund in industriellem IoT oder Fabrikautomationssystemen
- Vertrautheit mit Frameworks für das Model Serving (Triton, TorchServe oder ONNX Runtime)
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen