Vereinigte Staaten
B&A
NVIDIA
Principal Software Engineer, At-Scale Reliability and Fleet Intelligence — CSP Engagements
Vereinigte Staaten
Santa Clara, California, United States
Automatische Übersetzung. Prüfe das Original.
Über die Stelle
Wir suchen einen Principal Software Engineer für unser CSP Engagements-Team, der als technischer Ansprechpartner für die Zuverlässigkeit auf Flottenebene fungiert. Sie arbeiten direkt mit den Engineering-Teams wichtiger CSP- / Hyperscale-Kunden zusammen, um sicherzustellen, dass NVIDIA-Plattformen die angestrebte MTBI (Mean Time Between Interruptions) in der Produktion erreichen. In dieser Rolle unterstützen Sie die internen Software-/Firmware- und Qualitätsteams von NVIDIA mit einem dedizierten Fokus auf CSP-Kunden. Sie leiten Arbeitsabläufe mit CSP-Engineering-Teams, um ein gemeinsames Verständnis der Architektur und Methodik von Zuverlässigkeits-Software/-Firmware aufzubauen, deren Flotten-Telemetrie- und Fehlerdaten in die Verbesserungsprioritäten von NVIDIA einzubeziehen und zu validieren, dass im Labor gemessene Zuverlässigkeitsverbesserungen auch in realen Kundenumgebungen Bestand haben. Ihre CSP-übergreifende Sichtbarkeit ermöglicht es Ihnen, systemische architektonische Lücken von umgebungs- oder konfigurationsspezifischen Problemen zu unterscheiden, die kein einzelnes Kundenengagement allein identifizieren könnte.
NVIDIA ist führend bei bahnbrechenden Entwicklungen in den Bereichen Künstliche Intelligenz, High-Performance Computing und Visualisierung. Die GPU, unsere Erfindung, dient als visueller Kortex moderner Computer und bildet das Herzstück unserer Produkte und Dienstleistungen. Wir beschäftigen einige der zukunftsorientiertesten und fleißigsten Menschen der Welt. Wenn Sie kreativ, fleißig und eigenmotiviert sind, möchten wir von Ihnen hören!
Ihre Aufgaben
- Leitung von Zuverlässigkeits-Arbeitsabläufen mit CSP-Engineering-Teams — Sicherstellung eines gemeinsamen Verständnisses der MTBI-Messmethodik, Fehlerklassifizierung und Architektur für die Zustandsüberwachung.
- Erfassung und Synthese von CSP-Flotten-Zuverlässigkeitsdaten — Identifizierung von Fehlermustern, die bei mehreren Kunden auftreten, und Förderung von Verbesserungen in den Firmware-, Treiber- und Hardware-Teams von NVIDIA.
- Definition einer konsistenten MTBI-Messmethodik, die über verschiedene CSP-Überwachungsumgebungen und Betriebspraktiken hinweg funktioniert.
- Durchführung von Fehler-Musteranalysen auf Flottenebene unter Verwendung statistischer Methoden (Pareto, Überlebensanalyse, Weibull), um Fehler als systemisch, umgebungsbedingt oder konfigurationsspezifisch zu klassifizieren.
- Steuerung der Architektur für die Integration der Flottenzustandsüberwachung — Sicherstellung, dass die Gesundheits-Agenten, Telemetrie und Berichterstattung von NVIDIA auf die operativen Arbeitsabläufe und die Automatisierung der CSPs abgestimmt sind.
- Definition der Burn-in-Zuverlässigkeitstestumgebung und der Kriterien für die Cluster-Zertifizierung in Zusammenarbeit mit Qualitätsteams sowie Validierung mit Kunden, um sicherzustellen, dass die Kriterien aussagekräftig sind.
- Zusammenarbeit mit CSPs, um sicherzustellen, dass die Integrationsarbeiten im Zusammenhang mit der Zuverlässigkeit (Bereitstellung der Zustandsüberwachung, Telemetrie-Pipeline, Alarmkonfiguration) vor dem Start im großen Maßstab abgeschlossen sind.
- Entwicklung prädiktiver Fehlermodelle unter Verwendung von Flotten-Telemetrie und Validierung ihrer Wirksamkeit in Kundenumgebungen.
Was wir erwarten
- 15+ Jahre Erfahrung in Systemsoftware auf Rechenzentrumsebene oder im Bereich Reliability Engineering mit Fokus auf Herausforderungen im großen Maßstab.
- Bachelor- oder Masterabschluss in Informatik, Elektrotechnik, Statistik oder einem verwandten Bereich (oder gleichwertige Erfahrung).
- Fundierte Expertise in Multi-NUMA, Rack-Scale-Systemsoftware und Firmware. Statistische Fehleranalysemethoden: MTBF/MTBI-Berechnung, Pareto-Analyse, Klassifizierung der Grundursachen.
- Erfahrung mit Telemetrie- und Beobachtbarkeitssystemen auf Flottenebene: Zeitreihendatenbanken, Anomalieerkennung, Gesundheitsbewertung, Ereigniskorrelation.
- Verständnis von Hardware-Fehlermodi bei groß angelegten GPU-/Beschleuniger-Bereitstellungen — Fähigkeit zur Klassifizierung und Priorisierung über Rechen-, Verbindungs-, Speicher-, Stromversorgungs- und thermische Domänen hinweg.
- Erfahrung in der Definition oder dem Betrieb von Burn-in-, Stresstest- oder Zertifizierungs-Frameworks für komplexe Hardwaresysteme. Vertrautheit mit Ansätzen der vorausschauenden Wartung oder Anomalieerkennung bei Flottenzustandsdaten.
- Kundenorientierung — echte Leidenschaft dafür, Herausforderungen bei der Flottenzuverlässigkeit im großen Maßstab zu verstehen und in umsetzbare Engineering-Prioritäten zu übersetzen.
- Starke Kommunikationsfähigkeiten — Fähigkeit, statistische Zuverlässigkeitsergebnisse sowohl einem technisch versierten Publikum als auch der Führungsebene zu präsentieren. Nachgewiesener Erfolg bei der Förderung funktionsübergreifender Verbesserungen in Hardware-, Firmware- und Software-Teams ohne direkte Weisungsbefugnis.
Damit heben Sie sich ab
- Erfahrung mit Flottenzuverlässigkeit bei einem Hyperscaler (Hardware-Gesundheit, Flottenzuverlässigkeit bei führenden CSPs/Hyperscalern).
- Vertrautheit mit der NVIDIA GPU-Fehlertaxonomie (Xid-Fehler, NVLink-Fehlerzähler, thermische Ereignisse, CPER-Datensätze).
- Erfahrung beim Aufbau von Gesundheitsbewertungs- oder prädiktiven Fehlermodellen für Beschleuniger- oder HPC-Infrastrukturen.
- Hintergrund in der Definition von MTBI/MTBF-Messstandards oder Zertifizierungsprogrammen für komplexe Multi-Komponenten-Systeme.
- Verständnis dafür, wie Zuverlässigkeitsdaten von der Geräte-Firmware über Telemetrie-Pipelines zu Dashboards auf Flottenebene und automatisierter Fehlerbehebung fließen.
Ihr Grundgehalt wird basierend auf Ihrem Standort, Ihrer Erfahrung und der Vergütung von Mitarbeitern in ähnlichen Positionen festgelegt. Die Spanne für das Grundgehalt liegt bei 272,000 USD - 431,250 USD.
Bewerbungen für diese Stelle werden mindestens bis zum Oktober 26, 2026.
Diese Ausschreibung bezieht sich auf eine bestehende Vakanz.
NVIDIA verwendet KI-Tools in seinen Rekrutierungsprozessen.
NVIDIA setzt sich für ein integratives Arbeitsumfeld ein und ist stolz darauf, ein Arbeitgeber zu sein, der Chancengleichheit fördert. Da wir Vielfalt bei unseren aktuellen und zukünftigen Mitarbeitern sehr schätzen, diskriminieren wir nicht (auch nicht bei unseren Einstellungs- und Beförderungspraktiken) aufgrund von Rasse, Religion, Hautfarbe, nationaler Herkunft, Geschlecht, Geschlechtsausdruck, sexueller Orientierung, Alter, Familienstand, Veteranenstatus, Behinderung oder anderen gesetzlich geschützten Merkmalen.
Sie haben außerdem Anspruch auf Aktienoptionen und Sozialleistungen nvidia.com/en-us/benefits/.
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