Compute Infrastructure Lead in Paris

Votre mission en tant que Compute Infrastructure Lead consiste à posséder et à développer l'infrastructure de calcul d'UMA : les systèmes qui provisionnent, planifient et exécutent des charges de travail d'entraînement, d'évaluation et de traitement de données — de manière fiable, efficace et à grande échelle — afin que nos modèles puissent passer de la recherche à la production sans que le cluster ne devienne un goulot d'étranglement. Ce rôle est pratique et à fort impact.

Vous aurez la responsabilité de la plateforme de calcul de bout en bout — capacité multi-fournisseur, planification, entraînement / évaluation / traitement distribué, environnements de développement virtualisés, observabilité, coûts, et les outils que les chercheurs et ingénieurs utilisent réellement. Vous pourrez également évoluer vers un rôle de leader de l'équipe d'infrastructure de calcul à mesure qu'elle se développe.

Les responsabilités clés incluent :

• Posséder notre plateforme de calcul de bout en bout — de la provision de capacité GPU à travers les fournisseurs de cloud à la gestion des travaux d'entraînement, d'évaluation et de traitement avec une utilisation élevée, en gardant la fiabilité, le coût et la vitesse des chercheurs comme objectifs prioritaires.
• Construire une couche de gestion multi-fournisseur pour pouvoir placer, faire éclater et basculer les charges de travail à travers les clouds GPU, hyperscalers et HPC sans réécrire les travaux.
• Concevoir et faire fonctionner le planificateur cloud — quotas, priorités, préemption, placement conscient de la topologie, et point de contrôle dynamique pour que les travaux survivent aux pannes de nœuds, à la préemption et aux changements de fournisseur.
• Mettre en place un cadre de calcul distribué pour l'entraînement et l'évaluation sur du matériel hétérogène (par exemple, Ray ou similaire), y compris le chemin d'apprentissage en temps réel / en ligne.
• Orchestrer des charges de travail de traitement de données à grande échelle — CPU et GPU moins chers, par lots et en streaming — afin que les travaux de post-traitement, de jeux de données et d'entraînement partagent un tissu de calcul fiable au lieu de scripts ad hoc.
• Fournir des sessions de développement virtualisées GPU/CPU (VM sur le cluster) afin que les ingénieurs itèrent de manière interactive sur le même matériel et logiciel qu'ils utilisent pour l'entraînement, sans utiliser des machines dédiées.
• Construire une observabilité fonctionnelle depuis n'importe quel fournisseur — métriques système (Prometheus, Grafana), traces et journaux de travaux, et métriques de modèle (par exemple, MLflow) — afin qu'un travail NCCL bloqué, un GPU silencieux ou une courbe d'entraînement cassée soient diagnostiquables en quelques minutes, et non en jours.
• Posséder la capacité, le coût et les relations avec les fournisseurs en tant que leader technique : prévoir la demande, choisir le bon mélange de matériel et de contrats, et aider à négocier les prix et les conditions.
• Aider à établir des pratiques de qualité production (tests, fiabilité, itération rapide) alors que nous passons de la R&D aux POCs partenaires, et évoluer vers un rôle de leader de l'équipe d'infrastructure de calcul si tel est le chemin que vous souhaitez suivre.

Ce que vous apportez :

• Plus de 8 ans d'expérience en infrastructure ML/calcul, HPC, ou ingénierie de plateforme GPU à grande échelle, à un niveau senior, lead ou staff.
• Un parcours éprouvé dans la construction et l'exploitation d'infrastructures pour l'entraînement de modèles IA à grande échelle — pas seulement pour l'inférence.
• Une expérience approfondie et pratique avec les clouds GPU et les opérations de cluster : provisionnement, Linux, mise en réseau haute performance (InfiniBand / RoCE), stockage pour l'entraînement, utilisation, et modes de défaillance GPU/nœud.
• Avoir construit ou possédé des planificateurs et des cadres distribués (Slurm, Kubernetes, Ray, SkyPilot ou similaire) — y compris le point de contrôle, l'élasticité et la préemption — afin que les GPU restent occupés et que les travaux reviennent après une défaillance.
• Considérer l'observabilité, la fiabilité et le coût comme des préoccupations d'ingénierie fondamentales, et non comme des réflexions tardives.
• Solides compétences en Python et en ingénierie des systèmes, avec le goût de construire des outils que les chercheurs souhaitent réellement utiliser.
• Expérience de travail avec des fournisseurs de GPU sur des capacités et des termes commerciaux — vous pouvez lire un contrat, négocier le prix et la disponibilité, tout en étant la personne qui débogue le cluster à 2h du matin.
• Capacité à raisonner sur les systèmes de bout en bout — performance, évolutivité, fiabilité, coût — et à faire et défendre les bons compromis.
• Prospérer dans une startup pratique et rapide, construisant à partir d'un vrai (mais petit) cluster vers une flotte de production : autonome, rigoureux, axé sur l'exécution, facile à travailler et largement curieux à propos de l'IA et des systèmes.

Bonus :

• Apprentissage en ligne / continu, boucles d'entraînement en temps réel, ou autres systèmes d'apprentissage toujours actifs.
• Tissus multi-cloud / multi-fournisseur (SkyPilot, similaire), Ray / Anyscale, centres HPC, stations de travail GPU basées sur VM / sessions de cluster interactives, ou mise en place de clusters de dizaines à centaines de nœuds.
• Robotique, véhicules autonomes, ou autres piles d'entraînement AI incarnées/physiques — un entraînement à grande échelle adjacent (LLMs, multimodal, AV) compte fortement ; la robotique elle-même n'est pas requise.
• Projets publics, contributions open-source, outils maintenus, ou écriture technique.

Nous valorisons les bâtisseurs exceptionnels plutôt que les CV parfaits. Si vous avez un parcours exceptionnel dans la construction d'infrastructures d'entraînement à grande échelle et la volonté de construire l'infrastructure de calcul qui permet à une entreprise de robotique de se développer, l'expérience en robotique est un plus, mais pas une exigence.