Инженер по внедрению Physical AI и AI-инфраструктуры

Nebius — облачная AI-платформа полного цикла: от данных и обучения моделей до продакшн-развёртывания. Компания работает над GPU-оркестрацией, оптимизацией инференса, вычислениями, хранением, сетями и прикладным AI. Штаб-квартира в Амстердаме, глобальное присутствие с R&D-хабами в Европе, Великобритании, Северной Америке и Израиле, более 1500 сотрудников, включая сотни инженеров с глубокой экспертизой в аппаратном и программном обеспечении и AI R&D.

Роль

Nebius ищет Forward Deployed Engineer для работы с клиентами в сфере Physical AI. Вы будете помогать предприятиям, ISV и digital-native компаниям с рабочими нагрузками обучения, симуляции, синтетических данных, оценки и обслуживания моделей. Понимая их системы и помогая выводить решения в продакшн, вы будете выявлять требования для команд Cloud, Serverless и Token Factory. Задача — связывать потребности отраслей Physical AI с продуктовыми решениями, включая улучшения для enterprise-клиентов. Также вы будете исследовать возможности новых продуктов Nebius: формулировать гипотезы о неудовлетворённых потребностях, изучать спрос и существующие альтернативы, строить прототипы для проверки с клиентами. Работа предполагает практическое участие: написание кода, развёртывание и бенчмаркинг моделей, создание агентов и устранение неполадок инфраструктуры вместе с инженерами клиентов. Позиция входит в go-to-market команду Physical AI и предполагает тесное взаимодействие с клиентами, NVIDIA, Product и Engineering.

Задачи

• Работать с инженерами клиентов, чтобы понимать их рабочие нагрузки, ограничения инфраструктуры и требования к продакшн-среде.
• Переводить сценарии Physical AI в требования для команд Cloud, Serverless и Token Factory, подкреплённые измерениями и данными от клиентов.
• Выявлять барьеры для enterprise-внедрения и общие потребности в отраслях. Совместно с Product и Engineering оценивать пробелы и проверять улучшения с клиентами.
• Создавать агентов, которые настраивают, запускают и отлаживают рабочие нагрузки Physical AI, подключая их к кластерам, планировщикам, хранилищам и модельным серверам.
• Развёртывать и бенчмаркировать модели с открытыми весами на стеке обслуживания, таком как vLLM или SGLang, а затем настраивать их под рабочие нагрузки клиентов.
• Строить прототипы и проводить технические оценки, чтобы отвечать на конкретные вопросы о производительности, надёжности и соответствии продукта.
• Оценивать спрос и существующие альтернативы для возможностей вне зоны ответственности текущих продуктовых команд, а затем создавать решения при наличии явного рынка.
• Отлаживать решения на уровне Python, агентов, модельных серверов, Kubernetes, GPU, сетей и хранилищ. Превращать успешные конфигурации в переиспользуемые скрипты, деплойменты и краткие руководства.

Требования

• Три года и более в разработке ПО, облачной инфраструктуре, DevOps, ML-инфраструктуре или смежных областях, включая ответственность за продакшн-сервис, кластер или платформу.
• Опыт прямой работы с клиентами или внешними инженерами: определение проблем, проведение оценок и объяснение технических компромиссов.
• Умение превращать незнакомую проблему клиента в конкретные требования к инфраструктуре.
• Практический опыт создания решений с LLM или агентами — на работе или самостоятельно — с пониманием их внутреннего устройства (например, transformers, KV caching или tool calling) и методов оценки результатов.
• Знакомство с требованиями enterprise-инфраструктуры, включая identity and access management, network isolation, безопасность, мониторинг и надёжность.
• Сильные навыки Python и Linux: умение читать незнакомый код, автоматизировать настройку и отлаживать по логам и метрикам.
• Практический опыт с контейнерами и Kubernetes, включая конфигурацию, сети, хранилища и планирование.
• Опыт запуска работающего ПО при неполных требованиях, измерения результатов и доведения работы с пользователями до конца.

Плюсом будет

• Инженерия для enterprise-клиентов, solutions architecture, консалтинг или вывод нового продукта от начальной проблемы клиента до внедрения.
• Распределённые вычисления, такие как Ray, Slurm, Spark или multi-GPU задачи.
• Рабочие нагрузки на NVIDIA GPU, включая управление памятью, драйверы, CUDA, NCCL и мониторинг.
• Обслуживание моделей с помощью vLLM, SGLang, TensorRT-LLM или TGI.
• Робототехника, симуляция, синтетические данные, reinforcement learning, world models или инструменты Isaac Sim, Isaac Lab, Omniverse и Cosmos.
• Автоматизация инфраструктуры и enterprise-интеграции, включая Terraform, CI/CD, private connectivity и identity federation.