Vereinigte Staaten
CSC Leasing Co.
NVIDIA
Principal Software Engineer, Zuverlässigkeit im großen Maßstab und Flottenintelligenz — CSP-Engagements
Vereinigte Staaten
Santa Clara, California, Vereinigte Staaten
Automatische Übersetzung. Prüfe das Original.
Über die Stelle
Wir suchen einen Principal Software Engineer für unser CSP Engagements Team als technischen Ansprechpartner für die Zuverlässigkeit im Flottenmaßstab. Sie arbeiten direkt mit den Engineering-Teams von wichtigen CSP / Hyperscale-Kunden zusammen, um sicherzustellen, dass die NVIDIA-Plattformen im Produktivbetrieb die Ziel-MTBI (Mean Time Between Interruptions) erreichen. In dieser Rolle ergänzen Sie die internen Software/Firmware- und Qualitätsteams von NVIDIA mit einem dedizierten CSP-Fokus. Sie treiben Arbeitsströme mit den CSP-Engineering-Teams voran, um ein gemeinsames Verständnis der Zuverlässigkeits-Software/Firmware-Architektur und -Methodik aufzubauen, ihre Telemetrie- und Fehlerdaten aus dem Kundenbestand in die Verbesserungsprioritäten von NVIDIA einfließen zu lassen und zu validieren, dass im Labor gemessene Zuverlässigkeitsverbesserungen sich auf reale Kundenumgebungen übertragen lassen. Ihre bereichsübergreifende CSP-Sicht ermöglicht es Ihnen, systemische Architekturlücken 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 visuelles Zentrum moderner Computer und steht im Mittelpunkt unserer Produkte und Dienstleistungen. Wir haben einige der fortschrittlichsten und fleißigsten Menschen der Welt bei uns beschäftigt. Wenn Sie kreativ, fleißig und eigenmotiviert sind, möchten wir Sie kennenlernen!
Was Sie tun werden
- Treiben Sie Zuverlässigkeits-Arbeitsströme mit CSP-Engineering-Teams voran — stellen Sie ein gemeinsames Verständnis der MTBI-Messmethodik, der Fehlerklassifizierung und der Architektur zur Zustandsüberwachung sicher.
- Sammeln und synthetisieren Sie CSP-Flotten-Zuverlässigkeitsdaten — identifizieren Sie Fehlermuster, die bei mehreren Kunden auftreten, und fördern Sie Verbesserungen zurück in die Firmware-, Treiber- und Hardwareteams von NVIDIA.
- Definieren Sie eine konsistente MTBI-Messmethodik, die in verschiedenen CSP-Überwachungsumgebungen und Betriebspraktiken funktioniert.
- Führen Sie Fehleranalysen im Flottenmaßstab mithilfe statistischer Methoden (Pareto, Überlebenszeitanalyse, Weibull) durch, um Fehler als systemisch, umgebungs- oder konfigurationsspezifisch zu klassifizieren.
- Treiben Sie die Integrationsarchitektur für die Flottenzustandsüberwachung voran — stellen Sie sicher, dass die Zustandsagenten, Telemetrie und Berichterstattung von NVIDIA mit den operativen Arbeitsabläufen und der Automatisierung der CSPs übereinstimmen.
- Definieren Sie eine Burn-in-Zuverlässigkeits-Testumgebung und Cluster-Zertifizierungskriterien in Zusammenarbeit mit den Qualitätsteams und validieren Sie mit den Kunden, dass die Kriterien aussagekräftig sind.
- Arbeiten Sie mit CSPs zusammen, um sicherzustellen, dass die Zuverlässigkeits-bezogenen Integrationsarbeiten (Bereitstellung der Zustandsüberwachung, Telemetrie-Pipeline, Alarmkonfiguration) vor der Markteinführung im großen Maßstab abgeschlossen sind.
- Entwickeln Sie prädiktive Fehlermodelle mithilfe von Flotten-Telemetrie und validieren Sie deren Wirksamkeit in Kundenumgebungen.
Was wir sehen müssen
- Mindestens 15 Jahre Erfahrung in Systemsoftware im Rechenzentrum-Maßstab oder Zuverlässigkeits-Engineering mit Fokus auf Herausforderungen im großen Maßstab.
- Bachelor- oder Master-Abschluss in Informatik, Elektrotechnik, Statistik oder einem verwandten Fachgebiet (oder gleichwertige Erfahrung).
- Tiefgreifende Expertise in Multi-NUMA, Rack-Scale-Systemsoftware und -Firmware. Statistische Methoden zur Fehleranalyse: MTBF/MTBI-Berechnung, Pareto-Analyse, Klassifizierung der Grundursachen.
- Erfahrung mit Telemetrie- und Beobachtbarkeitssystemen auf Flottenebene: Zeitreihendatenbanken, Anomalieerkennung, Zustandsbewertung, Ereigniskorrelation.
- Verständnis von Hardware-Fehlermodi in groß angelegten GPU/Beschleuniger-Bereitstellungen — Fähigkeit zur Klassifizierung und Priorisierung über Rechen-, Interconnect-, 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 zur vorausschauenden Wartung oder Anomalieerkennung, die auf Flotten-Gesundheitsdaten angewendet werden.
- Kundenorientierung — echte Leidenschaft für das Verständnis von Flotten-Zuverlässigkeitsherausforderungen im großen Maßstab und deren Umsetzung in umsetzbare Engineering-Prioritäten.
- Starke Kommunikationsfähigkeiten — Fähigkeit, statistische Zuverlässigkeitsergebnisse sowohl technischen Experten als auch Führungskräften zu präsentieren. Nachgewiesener Erfolg bei der Förderung funktionsübergreifender Verbesserungen in Hardware-, Firmware- und Softwareteams ohne direkte Autorität.
Das zeichnet Sie aus
- Erfahrung in der Flotten-Zuverlässigkeit bei einem Hyperscaler (Hardware-Zuverlässigkeit, Flotten-Zuverlässigkeit bei führenden CSP/Hyperscalern).
- Vertrautheit mit der NVIDIA GPU-Fehlertaxonomie (Xid-Fehler, NVLink-Fehlerzähler, thermische Ereignisse, CPER-Datensätze).
- Erfahrung im Aufbau von Zustandsbewertungs- oder prädiktiven Fehlermodellen für Beschleuniger- oder HPC-Infrastrukturen.
- Hintergrund in der Definition von MTBI/MTBF-Messstandards oder Zertifizierungsprogrammen für komplexe Mehrkomponentensysteme.
- Verständnis dafür, wie Zuverlässigkeitsdaten von der Geräte-Firmware über Telemetrie-Pipelines zu Flotten-Dashboards und automatisierter Fehlerbehebung fließen.
Ihr Grundgehalt wird basierend auf Ihrem Standort, Ihrer Erfahrung und dem Gehalt von Mitarbeitern in ähnlichen Positionen ermittelt. Die Gehaltsspanne beträgt 272,000 USD - 431,250 USD.
Bewerbungen für diese Stelle werden mindestens bis zum 17. Oktober 2026 angenommen.
Diese Ausschreibung bezieht sich auf eine bestehende Stelle.
NVIDIA setzt KI-Tools in seinen Rekrutierungsprozessen ein.
NVIDIA setzt sich für die Förderung eines integrativen Arbeitsumfelds ein und ist stolz darauf, ein Arbeitgeber zu sein, der Chancengleichheit bietet. Da wir die Vielfalt unserer aktuellen und zukünftigen Mitarbeiter sehr schätzen, diskriminieren wir nicht (auch nicht in unseren Einstellungs- und Beförderungspraktiken) aufgrund von Rasse, Religion, Hautfarbe, nationaler Herkunft, Geschlecht, Geschlechtsausdruck, sexueller Orientierung, Alter, Familienstand, Veteranenstatus, Behinderungsstatus oder anderen gesetzlich geschützten Merkmalen.
Sie haben außerdem Anspruch auf Aktienoptionen und Zusatzleistungen unter 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