NVIDIA Edge AI / Real-Time Data Specialist
⚲ Wrocław, Kraków, Warszawa, Gdańsk, Poznań
29 400 - 31 500 PLN netto (B2B)
Wymagania
- CUDA
- Spark
- DeepStream
- Flink
- TensorRT
- Kafka
- NVIDIA
- GPU
- Edge AI
Opis stanowiska
Zakres obowiązków
• 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)
• 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)
🔍 Dekoder Ogłoszenia
🔴
Projektowanie i budowa pipeline’ów danych i AI przetwarzających dane w czasie rzeczywistym
Oczekuje się, że będziesz tworzyć i utrzymywać złożone systemy do przetwarzania strumieni danych, co może być bardzo wymagające technicznie i czasochłonne.
🔴
Tworzenie i optymalizacja rozwiązań GPU (video analytics, telemetry, CV, streaming inference)
Praca będzie mocno skupiona na wykorzystaniu sprzętu NVIDIA, co wymaga głębokiej wiedzy o optymalizacji pod kątem GPU i specyficznych bibliotek.
🔴
Integracja rozwiązań edge AI z platformami data (cloud / enterprise systems)
Może oznaczać pracę z różnorodnymi, często niejednolitymi systemami, co wymaga elastyczności i umiejętności rozwiązywania problemów integracyjnych.
🔴
Wdrażanie modeli AI do produkcji (edge inferencing, real-time decisioning)
Obejmuje to odpowiedzialność za działanie modeli AI w krytycznych systemach, gdzie błędy mogą mieć realne konsekwencje.
🔴
Budowa architektur edge-to-cloud
Wymaga zrozumienia i projektowania systemów rozproszonych, które łączą urządzenia na brzegu sieci z centralnymi zasobami chmurowymi lub korporacyjnymi.