Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
VVinci
Пало-Альто, Соединенные Штаты18 дней назад
185 000 – 245 000 USD
в год
Грейд
Senior
Опыт работы
от 5 лет
Формат работы
Гибрид
Уровень английского
B2, выше среднего
Письмо на почту или сообщение рекрутеру в Telegram
Compensation: $185K - $245K per year
Every physical thing you touch exists because somebody successfully navigated the laws of physics: the chips in your phone, the vehicles on the road, the data centers powering AI. Physics determines what can be built, how well it performs, and where it breaks. Yet the tools engineers use to understand physical behavior are too slow and too specialized to use continuously while designing, so critical decisions get made with only a partial view of how a system will behave.
Our mission is to make physical reasoning as accessible to engineers as language became through modern AI. This is not an attempt to build slightly better engineering software. It is an attempt to change how physical products are designed. Our technology is used today by many of the world's most advanced semiconductor and electronics organizations, including nearly half of the twenty largest companies in the industry. We are backed by Khosla Ventures and Eclipse Ventures.
Our foundation model learns physics from simulations, and we generate the simulation data ourselves. The simulations encapsulate real-world, validated physical results. Our aim is to create a data corpus covering multiple types of physics over an exhaustive set of physical objects.
Our data corpus is expanding. We currently operate on the petabyte scale, and our data volume is growing rapidly. We are hiring the engineer who makes that possible: the person who owns the pipeline from "here is a generation recipe" to "here is a versioned, validated dataset a training run can consume," and the ML lifecycle around it. Your job is to expand our job scheduling and execution platform to ensure that campaigns of millions of simulations, ML training runs, and future jobs are simple to run, fault-tolerant, and well-cataloged for traceability.
This is hands-on engineering in a production codebase. You will write, test and ship the code yourself.
This role sits at the point where physics simulation turns into an AI model that understands physics. You do not need to be a physicist or a model researcher, but you should want to understand both well enough to build the system that connects them. If you have been the person who knew why last night's batch failed, what it cost, and how to make sure it does not happen again, this is likely a good fit.
We are a small team with a production codebase and a very large data target. Much of what an ML platform team would give you at a larger company does not exist here yet. Building it is the job.
Сравним навыки, грейд, формат работы и зарплату
Каждая физическая вещь, которую вы трогаете, существует благодаря тому, что кто-то успешно ориентировался в законах физики: чипы в вашем телефоне, автомобили на дороге, центры обработки данных, обеспечивающие работу ИИ. Физика определяет, что можно построить, насколько хорошо это будет работать и где произойдет сбой. Однако инструменты, которые инженеры используют для понимания физического поведения, слишком медленны и слишком специализированы, чтобы использовать их непрерывно во время проектирования, поэтому критические решения принимаются лишь с частичным представлением о том, как будет вести себя система.
Наша миссия — сделать физическое моделирование для инженеров таким же доступным, каким язык стал благодаря современному ИИ. Это не попытка создать немного лучшее инженерное программное обеспечение. Это попытка изменить способ проектирования физических продуктов. Наши технологии используются сегодня многими из самых передовых организаций в области полупроводников и электроники в мире, включая почти половину из двадцати крупнейших компаний в отрасли. Мы поддерживаемся Khosla Ventures и Eclipse Ventures.
Наша базовая модель изучает физику на основе симуляций, а данные для симуляций мы генерируем сами. Симуляции включают реальные, проверенные физические результаты. Наша цель — создать корпус данных, охватывающий различные типы физики для исчерпывающего набора физических объектов.
Наш корпус данных расширяется. В настоящее время мы работаем в петабайтном масштабе, и объем наших данных стремительно растет. Мы нанимаем инженера, который сделает это возможным: человека, который отвечает за конвейер от «вот рецепт генерации» до «вот версионированный, проверенный набор данных, который может использовать обучающая программа», и жизненный цикл ML вокруг него. Ваша задача — расширить нашу платформу планирования и выполнения заданий, чтобы обеспечить простоту запуска, отказоустойчивость и хорошую каталогизацию для отслеживаемости кампаний, включающих миллионы симуляций, обучающих программ ML и будущих заданий.
Это практическая разработка в производственной кодовой базе. Вы будете писать, тестировать и выпускать код самостоятельно.
Эта должность находится на стыке физического моделирования и модели ИИ, понимающей физику. Вам не нужно быть физиком или исследователем моделей, но вы должны хотеть понять их достаточно хорошо, чтобы построить систему, которая их связывает. Если вы были тем человеком, который знал, почему вчерашний пакетный запуск не удался, сколько это стоило и как убедиться, что это не повторится, это, вероятно, хороший вариант.
Мы — небольшая команда с производственной кодовой базой и очень большой целевой показатель данных. Многое из того, что команда ML-платформы предоставила бы вам в более крупной компании, здесь еще не существует. Построение этого — задача.
Вознаграждение: 185 000 - 245 000 долларов США в год
Чаще всего от 211 000 до 265 000
Чаще всего от 211 000 до 265 000