Старший разработчик в команду LLM Inference Optimization в ••••••••
Наша команда развивает направление оптимизации инференса LLM на GPU ••••••••. Мы повышаем эффективность использования оборудования и помогаем продуктовым командам запускать модели с учётом профиля нагрузки, качества и метрик производительности.
Что предстоит делать:
— проводить нагрузочное тестирование моделей по запросам продуктовых команд и оптимизировать их под конкретные сценарии использования;
— развивать методику оценки производительности LLM на нашем оборудовании: бенчмарки, инструменты и мониторинг;
— регулярно замерять производительность, отслеживать выход новых моделей и поддерживать таблицу результатов;
— тестировать новые GPU и сопровождать их настройку вместе с командами инфраструктуры и платформы инференса;
— масштабировать оптимизации на весь парк моделей: спекулятивное декодирование, мульти-LoRA, распределённый инференс, переход на новые инференс-бэкенды;
— доводить изменения до продакшена по циклу - профилировать, оптимизировать, тестировать, внедрять при подтверждённых метриках;
— запускать LLM-модели с использованием платформы инференса.
Кого мы ищем:
— оптимизировали LLM-модели с учётом профиля нагрузки;
— работали с инференс-фреймворками LLM: vLLM, SGLang, TensorRT-LLM и другими, запускали и настраивали их, подбирали параметры;
— знаете, как устроен LLM-инференс, и понимаете методы оптимизации: prefill и decode, KV-кеш, batching, спекулятивное декодирование, квантизация;
— знаете принципы работы GPU: память, пропускная способность, утилизация, NVLink, конфигурации с несколькими GPU;
— профилировали GPU и работали с инструментами для мониторинга;
— проводили нагрузочное тестирование и бенчмаркинг LLM-моделей: latency, TTFT, TPOT, throughput, и тд, умеете корректно сравнивать результаты и делать выводы;
— работали с Docker, Kubernetes, метриками и дашбордами Prometheus, Grafana;
— готовы внедрять изменения в продакшен, поддерживать их и объяснять результат продуктовым командам.
Будет плюсом
— писали или оптимизировали CUDA-кернелы, понимаете SIMT и архитектуру GPU NVIDIA;
— внедряли спекулятивное декодирование, мульти-LoRA-сервинг или распределённый инференс;
— работали с роутингом и балансировкой с учётом KV-кеша: llm-d, NVIDIA Dynamo, Mooncake или аналогами;
— знаете C++ или Go;
— следите за статьями и проектами с открытым исходным кодом по ускорению инференса и быстро проверяете идеи на практике.
Условия сотрудничества:
— Москва
— расширенная забота о здоровье: ДМС, страхование жизни, онкострахование;
— сервис психологической поддержки, а также финансовые, юридические и ЗОЖ-консультации для вас и ваших близких;
— корпоративный спорт: групповые тренировки, велбиинг-приложение;
— спецпредложения от партнёров и скидки на сервисы ••••••••: бронирование жилья, услуги продвижения, ипотечное страхование;
— компенсация питания;
— инженерная свобода для реализации масштабных задач;
— продуктовый подход к инфраструктуре, который базируется на метриках;
— сильное инженерное комьюнити, готовое поддержать и поделиться опытом;
— эффективные инструменты для роста и развития: матрица компетенций, внутреннее обучение, менторство и обмен опытом.
Как откликнуться:
— ••••••••
Лучшие вакансии от работодателей мечты на ••••••••
••••••••