États-Unis
Ametek, Inc.
NVIDIA
Principal Software Engineer, Fiabilité à l'Échelle et Intelligence de Flotte — Engagements CSP
États-Unis
Santa Clara, California, United States
Traduction automatique. Consultez l’original.
À propos du poste
Nous recherchons un Ingénieur Logiciel Principal pour rejoindre notre équipe Engagements CSP en tant que point focal technique pour la fiabilité à l'échelle de la flotte, travaillant directement avec les équipes d'ingénierie des clients CSP / hyperscale clés pour garantir que les plateformes NVIDIA atteignent les MTBI (Mean Time Between Interruptions) cibles en production. Dans ce rôle, vous augmenterez les équipes logicielles/firmware et qualité internes de NVIDIA avec une orientation dédiée aux clients CSP. Vous piloterez des flux de travail avec les équipes d'ingénierie CSP pour établir une compréhension commune de l'architecture logicielle/firmware de fiabilité, de la méthodologie, intégrer leurs données de télémétrie de flotte et de défaillance dans les priorités d'amélioration de NVIDIA, et valider que les améliorations de fiabilité mesurées en laboratoire se traduisent dans les environnements clients réels. Votre visibilité inter-CSP vous permet de distinguer les lacunes architecturales systémiques des problèmes environnementaux ou spécifiques à la configuration qu'aucun engagement client unique ne pourrait identifier seul.
NVIDIA est à la pointe des développements révolutionnaires en matière d'Intelligence Artificielle, de Calcul Haute Performance et de Visualisation. Le GPU, notre invention, sert de cortex visuel aux ordinateurs modernes et est au cœur de nos produits et services. Nous avons parmi les personnes les plus avant-gardistes et travailleuses de la planète qui travaillent pour nous. Si vous êtes créatif, travailleur et autonome, nous voulons vous connaître !
Ce que vous ferez : *
- Piloter les flux de travail de fiabilité avec les équipes d'ingénierie CSP — assurer une compréhension commune de la méthodologie de mesure MTBI, de la classification des défaillances et de l'architecture de surveillance de la santé *
- Collecter et synthétiser les données de fiabilité de flotte CSP — identifier les modèles de défaillance qui apparaissent chez plusieurs clients et promouvoir les améliorations auprès des équipes firmware, pilotes et matérielles de NVIDIA *
- Définir une méthodologie de mesure MTBI cohérente qui fonctionne dans différents environnements de surveillance CSP et pratiques opérationnelles *
- Mener des analyses de modèles de défaillance à l'échelle de la flotte en utilisant des méthodes statistiques (Pareto, analyse de survie, Weibull) pour classer les défaillances comme systémiques, environnementales ou spécifiques à la configuration *
- Piloter l'architecture d'intégration de la surveillance de la santé de la flotte — s'assurer que les agents de santé, la télémétrie et le reporting de NVIDIA s'alignent sur les flux de travail opérationnels et l'automatisation des CSP *
- Définir l'environnement de test de fiabilité de rodage et les critères de certification de cluster en collaboration avec les équipes qualité, en validant avec les clients que les critères sont significatifs *
- Collaborer avec les CSP pour garantir que le travail d'intégration lié à la fiabilité (déploiement de la surveillance de la santé, pipeline de télémétrie, configuration des alertes) est terminé avant le lancement à grande échelle *
- Développer des modèles prédictifs de défaillance en utilisant la télémétrie de flotte et valider leur efficacité dans les environnements clients
Ce que nous devons voir : *
- 15+ années d'expérience dans le logiciel système à l'échelle du datacenter, ou en ingénierie de fiabilité avec un focus sur les défis à grande échelle. *
- Diplôme de BS ou MS en Informatique, Génie Électrique, Statistiques, ou domaine connexe (ou expérience équivalente) *
- Expertise approfondie en logiciel et firmware système multi-NUMA, à l'échelle du rack. Méthodes d'analyse statistique des défaillances : calcul MTBF/MTBI, analyse de Pareto, classification des causes profondes *
- Expérience avec les systèmes de télémétrie et d'observabilité à l'échelle de la flotte : bases de données de séries temporelles, détection d'anomalies, score de santé, corrélation d'événements *
- Compréhension des modes de défaillance matérielle dans les déploiements GPU/accélérateurs à grande échelle — capacité à classifier et prioriser entre les domaines de calcul, d'interconnexion, de mémoire, d'alimentation et thermiques *
- Expérience dans la définition ou l'exploitation de cadres de rodage, de tests de stress ou de certification pour des systèmes matériels complexes. Familiarité avec les approches de maintenance prédictive ou de détection d'anomalies appliquées aux données de santé de flotte *
- Obsession client — passion authentique pour la compréhension des défis de fiabilité de flotte à l'échelle et leur traduction en priorités d'ingénierie actionnables *
- Solides compétences en communication — capacité à présenter des conclusions statistiques sur la fiabilité à des publics techniques pointus et à la direction exécutive. Succès démontré dans la conduite d'améliorations interfonctionnelles entre les équipes matérielles, firmware et logicielles sans autorité directe
Moyens de vous démarquer : *
- Expérience en fiabilité de flotte chez un hyperscaler (santé matérielle, fiabilité de flotte chez un CSP/Hyperscaler leader) *
- Familiarité avec la taxonomie des erreurs GPU de NVIDIA (erreurs Xid, compteurs d'erreurs NVLink, événements thermiques, enregistrements CPER) *
- Expérience dans la création de modèles de score de santé ou de défaillance prédictive pour l'infrastructure d'accélérateurs ou HPC *
- Expérience dans la définition de normes de mesure MTBI/MTBF ou de programmes de certification pour des systèmes multi-composants complexes *
- Compréhension du flux des données de fiabilité du firmware de l'appareil via les pipelines de télémétrie jusqu'aux tableaux de bord de flotte et à la remédiation automatisée
Votre salaire de base sera déterminé en fonction de votre localisation, de votre expérience et de la rémunération des employés occupant des postes similaires.
La fourchette de salaire de base est 272,000 USD - 431,250 USD.
Les candidatures pour ce poste seront acceptées au moins jusqu'au Octobre 11, 2026.
Cette annonce concerne un poste vacant existant.
NVIDIA utilise des outils d'IA dans ses processus de recrutement.
NVIDIA s'engage à favoriser un environnement de travail inclusif et est fier d'être un employeur garantissant l'égalité des chances. Comme nous accordons une grande importance à la diversité de nos employés actuels et futurs, nous ne faisons aucune discrimination (y compris dans nos pratiques d'embauche et de promotion) fondée sur la race, la religion, la couleur, l'origine nationale, le sexe, l'expression de genre, l'orientation sexuelle, l'âge, l'état civil, le statut d'ancien combattant, le statut de handicap ou toute autre caractéristique protégée par la loi.
Vous serez également éligible à des actions et des avantages sociaux nvidia.com/en-us/benefits/.
Plus d’opportunités avec un seul profil
Vous souhaitez accéder à plus de postes sans répéter tout le processus ? Créez votre profil pour être trouvé par les entreprises utilisant Nort.
Créer mon profil