Solutions Architect, Open Models

О позиции

Вы присоединитесь к команде архитектуры решений, специализирующейся на открытых весах ИИ-моделей. Роль предполагает работу с клиентами и партнёрами по всему спектру — от понимания их задач до поддержки успешного внедрения технологий NVIDIA. Вы получите возможность глубоко изучить платформы компании и стать доверенным техническим ресурсом для рынка.

Чем заниматься

• Поддержка технических встреч с клиентами и партнёрами: анализ workload'ов и предложение решений на базе стека NVIDIA
• Участие в проектировании масштабируемых архитектур и разработке планов интеграции
• Практическая работа с решениями: сборка, тестирование и валидация для клиентов
• Документирование потребностей и обратной связи, передача инсайтов в продуктовые команды
• Проведение end-to-end программ обучения с enterprise-клиентами
• Пост-тренинг моделей: supervised fine-tuning, reinforcement learning (GRPO, DPO, PPO), LoRA/PEFT, кураторство данных, генерация синтетических данных
• Создание окружений оценки прогресса пост-обучения
• Разработка готовых рецептов, reference pipelines и playbooks

Что ждут

• Бакалавр или магистр Computer Science, Engineering, Mathematics, Physics, Data Science или смежная область
• 2-5+ лет опыта в software/hardware engineering, technical partnerships, solutions architecture
• Базовые знания AI/ML, особенно post-training, reinforcement learning, LoRA/PEFT
• Умение объяснять технические концепции разной аудитории
• Опыт работы с agent-assisted workflows (Claude Code, Cursor, Codex)
• 3+ года опыта работы с Linux, запуск job'ов на SLURM или Kubernetes

Будет плюсом

• Вклад в open-source библиотеки NVIDIA: Nemotron, NeMo, NeMo-RL, NeMo Gym
• Опыт разработки agent environments, synthetic data pipelines, верифицируемых rewards для RL
• Кастомизация open-weight моделей (Nemotron, Qwen, DeepSeek, GLM, Kimi)
• Опыт применения ML к мультимодальным данным

Условия

• Конкурентный пакет компенсации: базовый оклад + equity + benefits
• Работа с передовыми технологиями в области ИИ/ML
• Менторство от senior-инженеров и рост в экспертной роли
• Гибкость в развитии технических компетенций в открытом ИИ-сообществе
• Инклюзивная культура и равные возможности для карьеры

Навыки

• Machine Learning
• Deep Learning
• Reinforcement Learning
• LoRA
• PEFT
• Python
• Linux
• Kubernetes
• SLURM
• NeMo
• Nemotron
• Synthetic Data Generation
• Model Evaluation
• AI Agents
• Data Curation

Могут спросить на собеседовании

1. Расскажите о вашем опыте работы с post-training методиками (SFT, RLHF, LoRA). Как вы выбираете между ними?
2. Как вы строите процесс оценки качества обученной модели? Какие метрики используете?
3. Опишите случай, когда вам пришлось помочь клиенту адаптировать решение под его workload. Как вы подходили к анализу?
4. Каков ваш опыт работы с распределёнными системами обучения (SLURM, Kubernetes)? С какими проблемами сталкивались?
5. Как бы вы построили pipeline для генерации синтетических данных и verifiable rewards для RL?