Member of Technical Staff, Model Training (Infra & Platform)
Оценка ИИИсключительное предложение с очень высокой зарплатой, возможностью удаленной работы и участием в передовых разработках в области ИИ. Наличие опционов и бонусов делает компенсационный пакет одним из лучших на рынке.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованиями к глубоким знаниям распределенных систем, GPU-инфраструктуры и специфических ML-фреймворков (DeepSpeed, Megatron-LM). Роль подразумевает техническое лидерство и работу на стыке системного программирования и машинного обучения.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредлагаемая зарплата ($200K–$320K) находится на верхнем пределе рыночных ожиданий для Senior/Staff ролей в США и значительно превышает средние показатели для удаленных позиций в Европе или Азии. Это уровень топовых технологических компаний (Big Tech) для специалистов узкого профиля.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*🚀* MICRO1 IS HIRING | Member of Technical Staff, Model Training (Infra & Platform)
If you're the type of engineer who gets excited about distributed systems, GPU infrastructure, and scaling AI training pipelines, this role is worth a look.
*💰* $200K–$320K Base Salary + Equity + Bonus
*🌍* Remote
At Micro1, you'll help build the infrastructure powering large-scale AI research, training, and agent systems.
What You'll Work On
*✅* Distributed training platforms (SFT, RL, OPD)
*✅* GPU orchestration and inference infrastructure
*✅* Agent execution frameworks and tooling
*✅* Experiment tracking, model versioning, and observability
*✅* High-performance distributed systems that accelerate AI research
What We're Looking For
*🔹* Strong distributed systems and backend engineering experience
*🔹* Python plus Go, Rust, or C++
*🔹* Experience with GPU-based ML infrastructure
*🔹* Knowledge of scalable APIs, cloud platforms, and system architecture
*🔹* Proven technical ownership and leadership
Nice to Have
*⭐* PyTorch Distributed
*⭐* DeepSpeed
*⭐* Ray
*⭐* Megatron-LM
*⭐* vLLM
*⭐* Kubernetes
*⭐* CUDA & NCCL
*⭐* Reinforcement Learning Infrastructure
Why Join?
You'll be working on the systems that researchers rely on every day to train, evaluate, and deploy advanced AI models. This is a chance to solve hard infrastructure problems at the frontier of AI while collaborating with world-class engineers and researchers.
Know someone who has built large-scale distributed systems, ML infrastructure, or GPU platforms? Tag them below or share this opportunity.
*📩* Apply Here: Откликнуться
](https://www.linkedin.com/search/results/all/?keywords=%23micro1&origin=HASH_TAG_FROM_FEED) [ ](https://www.linkedin.com/search/results/all/?keywords=%23aiinfrastructure&origin=HASH_TAG_FROM_FEED) [ ](https://www.linkedin.com/search/results/all/?keywords=%23machinelearning&origin=HASH_TAG_FROM_FEED) [ ](https://www.linkedin.com/search/results/all/?keywords=%23platformengineering&origin=HASH_TAG_FROM_FEED) [ ](https://www.linkedin.com/search/results/all/?keywords=%23deeplearning&origin=HASH_TAG_FROM_FEED) [ ](https://www.linkedin.com/search/results/all/?keywords=%23kubernetes&origin=HASH_TAG_FROM_FEED) [ ](https://www.linkedin.com/search/results/all/?keywords=%23artificialintelligence&origin=HASH_TAG_FROM_FEED) [ ](https://www.linkedin.com/search/results/all/?keywords=%23techcareers&origin=HASH_TAG_FROM_FEED) [ ](https://www.linkedin.com/search/results/all/?keywords=%23engineeringjobs&origin=HASH_TAG_FROM_FEED) [
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- Go
- Rust
- C++
- Distributed Systems
- GPU
- PyTorch
- DeepSpeed
- Ray
- Megatron-LM
- vLLM
- Kubernetes
- CUDA
- NCCL
- Reinforcement Learning
- Machine Learning Infrastructure
Возможные вопросы на собеседовании
Проверка понимания фундаментальных проблем распределенного обучения.
Как бы вы подошли к отладке проблем с пропускной способностью сети при использовании PyTorch Distributed Data Parallel (DDP) на кластере из 100+ GPU?
Оценка опыта работы с низкоуровневой оптимизацией GPU.
В чем разница между использованием NCCL и MPI для коммуникации между GPU, и в каких случаях вы выберете одно вместо другого?
Проверка навыков проектирования отказоустойчивых систем.
Опишите ваш подход к реализации эффективного механизма чекпоинтов для обучения LLM, чтобы минимизировать время простоя при сбоях узлов.
Оценка опыта работы с современными фреймворками инференса.
Какие преимущества дает использование vLLM по сравнению с обычным Hugging Face Transformers для развертывания моделей в продакшн?
Проверка владения системными языками программирования.
В каких частях инфраструктуры обучения ИИ вы бы предпочли использовать Rust или C++ вместо Python и почему?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
