Auf einen Blick
Entwickle und evaluiere MLOps und LLM Serving Tasks als Engineer mit CUDA/Triton GPU Kernel, Performance Profiling und vLLM Experience zur AI Training Data Quality.
💰 $90–120/h
📊 Senior
🕒 Contract
🌍 Remote
🗺️ Worldwide
- 2+ Jahre ML Systems/MLOps Experience
- GPU Kernel oder LLM Serving Expertise
- CUDA/Triton Knowledge
- JAX/PyTorch Production Experience
CUDA
Triton
GPU Kernels
PyTorch
JAX
vLLM
Performance Profiling
Distributed Systems
Angegeben: $90–120/h · Marktschätzung: ~$90–120/h.
✅ Geeignet für
- Senior MLOps Engineers mit GPU Expertise
- Performance Engineers mit AI Background
- LLM Serving Specialists
🚫 Weniger geeignet
- Junior MLOps ohne Production Systems Experience
- Data Scientists ohne Infrastructure Background
💡 Gut zu wissen
- 2+ Jahre Production ML Systems Erfahrung erforderlich
- CUDA und/oder vLLM Erfahrung ist nicht optional
- 40 Stunden pro Woche Commitment erforderlich
Über das Unternehmen
Dies ist eine Position für einen Kunden von Weekday. Ein führendes AI Lab baut Foundational AI Models und sucht MLOps Engineers mit LLM Infrastructure Expertise.
Deine Aufgaben
- Entwerfe herausfordernde, Domain-Relevant Tasks über GPU Kernels, Performance Profiling, Debugging und Inference Serving
- Schreibe genaue, gut-strukturierte Lösungen, die High-Quality Training Data für Frontier AI Systems werden
- Leite Research und Engineering Teams, um Knowledge Gaps zu schliessen und KI Model Performance auf ML Systems zu verbessern
- Evaluiere MLOps und ML Systems Tasks und Lösungen und gib klares, schriftliches Technical Feedback
- Entwickle Guidelines und detaillierte Rubrics zur Kernel-Level Optimization, Profiler Output Interpretation und Serving Throughput/Latency Trade-Offs
- Arbeite mit anderen Subject Matter Experts zusammen, um Training Data konsistent und genau zu halten
Deine Voraussetzungen
- 2+ Jahre Hands-On Professional Experience in ML Systems, ML Infrastructure, Model Serving oder GPU und Accelerator Performance Engineering
- Dies ist eine Hands-On Systems Role statt Applied Modeling oder Data Science
- Praktische Erfahrung in mindestens einem: Custom GPU Kernels (CUDA, Triton, Pallas); Performance Profiling (Kineto, torch.profiler, XLA); Debugging Distributed/Accelerator Workloads; LLM Serving at Scale (vLLM, SGLang, TensorRT-LLM, KV Cache, Paged Attention, Continuous Batching)
- Working Production Experience mit JAX und/oder PyTorch
- Framework-Level Depth: Custom Operators, Distributed Training (FSDP, DDP, DeepSpeed), Compiler und Graph-Level Work sind ein Strong Plus
- Vertrautheit mit Modern Accelerators (A100, H100, TPU)
- Demonstrable Career Progression
- Fähigkeit zu engaging reliably für mindestens 40 Stunden/Week während Weekdays
Benefits
Nicht angegeben
