Über die Stelle
Anyone AI rekrutiert erfahrene GPU-Kernel-Ingenieure für ein spezialisiertes Projekt mit Fokus auf die Prüfung, Fehlersuche und Bewertung von Hochleistungs-Rechenkerneln, die in KI-Workloads eingesetzt werden.
Wir suchen Ingenieure mit praktischer Erfahrung im Schreiben und Optimieren von Kerneln in Frameworks wie CUDA, Triton, NKI oder Pallas sowie mit einem starken Verständnis für numerische Korrektheit, GPU-Performance, Speicheroptimierung und Benchmarking.
Woran Sie arbeiten
Sie bearbeiten GPU- und Beschleuniger-Kernel-Aufgaben, darunter:
- Kernel-Implementierung und Fehlersuche
- CUDA- und Triton-Optimierung
- Übersetzung zwischen Kernel-Frameworks
- Hardware-Migration
- Operator-Fusion
- Performance-Profiling und Benchmarking
- Verifikation numerischer Korrektheit
- Fehlersuche bei Kompilierung und Laufzeit
- Optimierung der Speicherhierarchie
- Performance von KI-Workloads auf Kernel-Ebene
Sie bewerten, ob Implementierungen technisch korrekt, effizient gestaltet, reproduzierbar und für die Zielhardware angemessen optimiert sind.
Wonach wir suchen
- 3+ Jahre praktische Erfahrung in der Entwicklung, Optimierung oder Fehlersuche von GPU- oder Beschleuniger-Kerneln
- Fundierte Erfahrung mit mindestens zwei der folgenden:
- CUDA
- Triton
- NKI / AWS Neuron
- Pallas / JAX
- Starkes Verständnis der GPU-Performance-Optimierung
- Erfahrung mit Kernel-Profiling-Tools wie Nsight, NCU, Roofline-Analyse oder framework-eigenen Profilern
- Verständnis von:
- Speicherbandbreite
- Rechendurchsatz
- GPU-Auslastung
- Shared Memory
- Registerdruck
- Speicherkoaleszenz
- Bank-Konflikte
- Starkes Verständnis der numerischen Korrektheit von Gleitkommazahlen und von Toleranzschwellen
- Erfahrung in der Fehlersuche bei Kernel-Kompilierung und Laufzeitproblemen
- Fähigkeit, Softwarefehler, Umgebungsprobleme und echte Optimierungsherausforderungen zu unterscheiden
Relevante Erfahrung
Kandidaten sollten Erfahrung mit mehreren der folgenden Arten von Arbeit haben:
- Schreiben von Kerneln nach technischen Spezifikationen
- Übersetzen von Kerneln zwischen CUDA, Triton oder anderen Frameworks
- Migrieren von Kerneln über Hardware-Plattformen hinweg
- Fehlersuche bei fehlerhaften Kernel-Implementierungen
- Optimieren der Kernel-Performance
- Fusionieren mehrerer Operationen zu optimierten Kerneln
Von Vorteil
- Erfahrung sowohl im NVIDIA-GPU- als auch im Ökosystem benutzerdefinierter Beschleuniger
- Erfahrung mit AWS Trainium, TPU, JAX oder anderen Beschleunigern
- Erfahrung im Compiler-Engineering
- Vertrautheit mit MLIR, XLA oder Intermediate-Representation-Lowering
- Beiträge zu GPU- oder ML-Kernel-Bibliotheken
- Erfahrung mit cuBLAS, cuDNN, Triton-Community-Kerneln oder JAX/XLA-Custom-Calls
- Erfahrung mit KI-Modell-Evaluierung, RLHF oder der Entwicklung technischer Benchmarks
Wofür Sie verantwortlich sind
- Prüfung von GPU- und Beschleuniger-Kernel-Implementierungen auf Korrektheit
- Vergleich von Ausgaben mit Referenzimplementierungen
- Bewertung numerischer Toleranzschwellen
- Prüfung von Kernel-Benchmarks und Feststellung, ob Vergleiche fair sind
- Identifizierung von Performance-Engpässen und Optimierungsmöglichkeiten
- Bewertung, ob Performance-Ziele angesichts der Hardware-Grenzen realistisch sind
- Prüfung von Kernel-Übersetzungen und Hardware-Migrationen
- Identifizierung von Kompilierungs-, Treiber-, Speicher-, Shape- und Laufzeitproblemen
- Feststellung, ob technische Aufgaben wirklich schwierig oder falsch konfiguriert sind
- Bereitstellung von klarem, umsetzbarem technischem Feedback
Engagement
Arbeitsart: Remote Engagement: Teilzeit-Beratung auf Projektbasis Fokus: GPU-Kernel, Performance-Engineering, Fehlersuche und technische Bewertung
Diese Rolle ist ideal für Ingenieure, die gerne hardwarenah arbeiten, GPU-Workloads optimieren, Low-Level-Performance-Probleme debuggen und KI-Computesysteme an ihre Performance-Grenzen bringen.