NVIDIA Edge AI / Real-Time Data Specialist
⚲ Remote
29 400 - 31 500 PLN (B2B)
Wymagania
- GPU
- CUDA
- AI
- Computer vision
- Kafka
- Flink
- MLOps (nice to have)
- IoT (nice to have)
Opis stanowiska
Wymagania:
Wymagania (must-have)- Doświadczenie z technologiami NVIDIA i obliczeniami GPU (np. CUDA, TensorRT, DeepStream)- Praktyka w obszarze Edge AI / real-time inference / streaming AI- Doświadczenie z computer vision, przetwarzaniem danych sensorowych lub telemetrycznych- Umiejętność projektowania architektur edge-to-cloud- Doświadczenie we wdrażaniu modeli AI do środowisk produkcyjnych- Znajomość wzorców dla systemów real-time i event-driven- Umiejętność integracji AI z platformami danych i systemami operacyjnymi- Dobra znajomość inżynierii danych i pipeline’ów streamingowych (np. Kafka, Flink, Spark)- Doświadczenie w pracy zespołowej (data + infra + AI)
Mile widziane
- Doświadczenie w obszarze:- robotics / physical AI- autonomous systems- smart infrastructure- industrial AI- Znajomość digital twins i systemów symulacyjnych- Doświadczenie z video analytics i systemami high-throughput- Praktyka w MLOps / platform engineering / edge operations- Doświadczenie z heterogenicznymi środowiskami (kamery, IoT, sensory)
Codzienne zadania:
- Projektowanie i budowa pipeline’ów danych i AI przetwarzających dane w czasie rzeczywistym
- Tworzenie i optymalizacja rozwiązań GPU (video analytics, telemetry, CV, streaming inference)
- Integracja rozwiązań edge AI z platformami data (cloud / enterprise systems)
- Wdrażanie modeli AI do produkcji (edge inferencing, real-time decisioning)
- Budowa architektur edge-to-cloud
- Praca nad systemami obejmującymi video, sensory, telemetry i symulacje
- Optymalizacja wydajności i skalowalności workloadów GPU
- Wdrażanie standardów i wzorców dla produkcyjnych systemów AI real-time
- Współpraca z zespołami data engineering, AI oraz architektury
- Ewaluacja narzędzi i technologii w ekosystemie NVIDIA
Wymagania (must-have)- Doświadczenie z technologiami NVIDIA i obliczeniami GPU (np. CUDA, TensorRT, DeepStream)- Praktyka w obszarze Edge AI / real-time inference / streaming AI- Doświadczenie z computer vision, przetwarzaniem danych sensorowych lub telemetrycznych- Umiejętność projektowania architektur edge-to-cloud- Doświadczenie we wdrażaniu modeli AI do środowisk produkcyjnych- Znajomość wzorców dla systemów real-time i event-driven- Umiejętność integracji AI z platformami danych i systemami operacyjnymi- Dobra znajomość inżynierii danych i pipeline’ów streamingowych (np. Kafka, Flink, Spark)- Doświadczenie w pracy zespołowej (data + infra + AI)
Mile widziane
- Doświadczenie w obszarze:- robotics / physical AI- autonomous systems- smart infrastructure- industrial AI- Znajomość digital twins i systemów symulacyjnych- Doświadczenie z video analytics i systemami high-throughput- Praktyka w MLOps / platform engineering / edge operations- Doświadczenie z heterogenicznymi środowiskami (kamery, IoT, sensory)
Codzienne zadania:
- Projektowanie i budowa pipeline’ów danych i AI przetwarzających dane w czasie rzeczywistym
- Tworzenie i optymalizacja rozwiązań GPU (video analytics, telemetry, CV, streaming inference)
- Integracja rozwiązań edge AI z platformami data (cloud / enterprise systems)
- Wdrażanie modeli AI do produkcji (edge inferencing, real-time decisioning)
- Budowa architektur edge-to-cloud
- Praca nad systemami obejmującymi video, sensory, telemetry i symulacje
- Optymalizacja wydajności i skalowalności workloadów GPU
- Wdrażanie standardów i wzorców dla produkcyjnych systemów AI real-time
- Współpraca z zespołami data engineering, AI oraz architektury
- Ewaluacja narzędzi i technologii w ekosystemie NVIDIA
🔍 Dekoder Ogłoszenia
🔴
Umiejętność projektowania architektur edge-to-cloud
Oczekuje się, że będziesz rozumieć i projektować przepływ danych i modeli między urządzeniami brzegowymi a chmurą, co może oznaczać konieczność radzenia sobie ze złożonymi integracjami i potencjalnymi problemami z łącznością.
🔴
Wdrażanie modeli AI do środowisk produkcyjnych
Może to oznaczać, że będziesz odpowiedzialny za stabilność i wydajność systemów AI w warunkach rzeczywistych, co wymaga nie tylko umiejętności tworzenia modeli, ale także ich monitorowania i utrzymania.
🔴
Znajomość wzorców dla systemów real-time i event-driven
Oczekuje się, że będziesz projektować systemy, które reagują natychmiast na zdarzenia, co może wiązać się z wysokim naciskiem na wydajność i niskie opóźnienia.
🔴
Praca nad systemami obejmującymi video, sensory, telemetry i symu
Może to oznaczać pracę z bardzo zróżnicowanymi i potencjalnie chaotycznymi danymi z wielu źródeł, co wymaga dużej elastyczności i umiejętności radzenia sobie z niekompletnymi lub błędnymi informacjami.
🔴
Praktyka w MLOps / platform engineering / edge operations
Oprócz tworzenia modeli, oczekuje się od Ciebie umiejętności wdrażania, monitorowania i zarządzania infrastrukturą ML na brzegu sieci, co może być bardzo wymagające operacyjnie.