Programa de Instructores Certificados

Experiencia Práctica:

Los candidatos deben demostrar experiencia práctica en la implementación y la optimización de sistemas de inferencia de grandes modelos de lenguaje (LLM) en GPU en un entorno de producción o de laboratorio realista. 

La experiencia calificada incluye:

• Un rol profesional (por ejemplo, ingeniero de ML, ingeniero de MLOps, ingeniero de plataformas) responsable de operar LLM u otros servicios de inferencia de deep learning, incluida la planificación de la capacidad, el ajuste de latencia/rendimiento y la optimización de costos.
• Trabajo de laboratorio académico o industrial que implica la implementación de cargas de trabajo de GPU basadas en Kubernetes, incluido el uso de Helm charts, operadores de GPU y escalado automático para servicios de IA.

Conocimiento y Experiencia:

 Los candidatos también deben tener lo siguiente:

• Comprensión sólida del ciclo de vida de los LLM y los regímenes de escalado
• Profunda familiaridad con los aspectos internos de inferencia de transformadores (por ejemplo, fases de precargado en comparación con fases de decodificación, mecánica de caché de KV, etc.)
• Conocimiento de técnicas de optimización de inferencia
• Experiencia en la comparación de servicios de IA administrados con soluciones de código abierto/autoalojadas
• Conocimiento práctico de Kubernetes, incluida la habilitación de GPU y las redes
• Experiencia con al menos uno de los microservicios de NVIDIA NIM, vLLM o pilas de LLM similares autoalojadas
• Comprensión de los controles de tiempo de inferencia
• Experiencia en la generación y el análisis de tráfico paralelo a puntos terminales de LLM
• Fluidez en las compensaciones de precisión numérica y utilización de hardware para LLM
• Familiaridad con herramientas de análisis comparativo y desempeño como AIPerf o equivalentes
• Conocimiento de gateways sensibles a LLM (por ejemplo, Envoy IA Gateway)
• Experiencia con servicios de inferencia de GPU de escalado automático mediante mecanismos impulsados por métricas como KEDA
• Familiaridad con las pilas de monitoreo de GPU
• Comprensión del servicio de LLM desagregado
• Conocimiento de patrones de orquestación avanzados para cargas de trabajo de IA estrechamente acopladas

Experiencia Práctica:

Los candidatos deben demostrar experiencia práctica en el desarrollo, la configuración y la evaluación de sistemas de IA de múltiples agentes que integran LLM con herramientas específicas de dominio, preferiblemente en un contexto de mantenimiento industrial, de IoT o predictivo. 

La experiencia calificada incluye:

• Un rol profesional (por ejemplo, ingeniero de IA/ML, científico de datos, investigador de IA aplicada, arquitecto de soluciones) en el que han diseñado u operado workflows de IA agéntica que orquestan múltiples llamadas de LLM, invocaciones de herramientas personalizadas y cadenas de razonamiento de múltiples pasos para resolver problemas del mundo real.
• Trabajo de proyectos académicos o industriales que implique mantenimiento predictivo, monitoreo del estado de recursos o ingeniería de confiabilidad mediante datos de series temporales de sensores, incluido el desarrollo de pipelines de datos, el entrenamiento o la implementación de modelos de ML para la estimación de la vida útil restante (RUL) y la generación de recomendaciones de mantenimiento procesables.

Conocimiento y Experiencia:

Los candidatos también deben tener lo siguiente:

• Comprensión sólida de conceptos de IA agéntica como agentes ReAct, razonamiento en cadena de pensamiento y orquestación de múltiples agentes (patrones de planificador/ejecutor)
• Experiencia con el Kit de Herramientas NVIDIA NeMo Agent (NAT) o frameworks agénticos similares (por ejemplo, LangChain, agentes LlamaIndex, AutoGen), incluida la definición de agentes impulsada por configuración, el registro de herramientas e ingeniería de prompts
• Familiaridad con los microservicios NVIDIA NIM o experiencia equivalente en la implementación y la invocación de puntos finales de inferencia de LLM
• Experiencia en el desarrollo y el registro de herramientas personalizadas para agentes de LLM, incluida la definición de esquema de entrada y las actualizaciones de indicaciones del sistema para guiar el uso de herramientas
• Conocimiento práctico de la observabilidad de LLM y herramientas de trazado como Phoenix, LangSmith o soluciones basadas en OpenTelemetry para depurar el comportamiento de los agentes y monitorear el uso y la latencia de tokens
• Experiencia con frameworks de evaluación para IA agéntica, incluido el diseño de conjuntos de datos de evaluación, la ejecución de arneses de evaluación automatizados y la interpretación de resultados de puntuación
• Familiaridad con la generación de código impulsada por LLM y la ejecución en sandbox, incluidas las consideraciones de seguridad como el aislamiento basado en Docker y la creación de listas blancas de bibliotecas
• Comprensión de modelos fundacionales de series temporales (por ejemplo, MOMENT, NV-Tesseract) para la detección de anomalías y cómo se comparan con los enfoques tradicionales estadísticos y basados en aprendizaje automático
• Experiencia práctica con detección de anomalías en datos de sensores o series temporales industriales, incluida la correlación de patrones de anomalías con la degradación de activos y la vida útil restante
• Conocimiento práctico de SQL e integración de texto a SQL dentro de pipelines de herramientas de agentes
• Comodidad para desarrollar en Python/Jupyter con competencia en pandas, NumPy y bibliotecas de visualización (Plotly, Matplotlib, Seaborn)
• Familiaridad con conceptos de mantenimiento predictivo, incluidas las etapas del ciclo de vida de recursos, los modos de falla, los patrones de degradación y el monitoreo de estado basado en sensores

Experiencia práctica:
los candidatos deben demostrar experiencia previa significativa trabajando con aplicaciones aceleradas por NVIDIA CUDA/GPU, ya sea en un entorno profesional o académico relevante, y deben poder discutir su trabajo en relación con lo siguiente:

• Cómo se logró una aceleración significativa en un problema que no se pudo abordar con éxito en un entorno solo con CPU
• Detalles sobre las estrategias aplicadas que usan las aplicaciones en relación con una arquitectura de GPU
• Desafíos técnicos encontrados, adaptados a las características específicas de CUDA, y cómo se abordaron

Conocimiento y Experiencia:
los candidatos deben tener lo siguiente:

• Comprensión básica de la arquitectura de las computadoras (jerarquías de memoria, núcleos de computación, etc.)
• Conocimiento fundamental en computación paralela
• Conciencia de las condiciones de carrera y familiaridad con los métodos utilizados para prevenirlas
• Una comprensión de los mecanismos de sincronización entre hilos/procesos
• Conocimiento y experiencia de medio a avanzado en programación moderna en C++, incluida la comprensión de clases, funtores y funciones Lambda
• Conocimiento y experiencia con la Biblioteca de Plantillas Estándar (STL) de C++, incluido el uso extenso de iteradores

Experiencia Práctica:

Los candidatos deben demostrar experiencia práctica con computación numérica acelerada por GPU o HPC mediante Python, incluido el trabajo con bibliotecas como NumPy, CuPy y, preferiblemente, Numba o CUDA C/C++ en un entorno profesional o académico. 

La experiencia calificada incluye:

• Un rol profesional (por ejemplo, ingeniero de ML/IA, ingeniero de HPC, ingeniero de datos, ingeniero de software) en el que han implementado y optimizado computaciones basadas en matrices en GPU (por ejemplo, álgebra lineal, reducciones, escaneos, clasificación, histograma) mediante herramientas como CuPy, cuda‑cccl o kernels de CUDA personalizados.
• Proyectos académicos o de investigación que involucran conceptos de programación de GPU como espacios de memoria, optimización de transferencia de datos, transmisiones de CUDA, ejecución asincrónica y creación de perfiles de desempeño con Nsight/NVTX o herramientas similares.

Conocimiento y Experiencia:

 Los candidatos también deben tener lo siguiente:

• Sólidas habilidades de programación de matrices con la API de NumPy (vectorización, transmisión, álgebra lineal, reducciones, clasificación) y una capacidad de razonar sobre el desempeño y el movimiento de datos.
• Experiencia práctica con el uso de CuPy como un reemplazo directo de NumPy para la aceleración de GPU, incluida la evaluación comparativa y la comprensión de las diferencias clave de API.
• Conocimiento práctico de conceptos centrales de CUDA: memoria de host frente a memoria de dispositivo, transferencias, streams, sincronización y ejecución asincrónica desde Python.
• Experiencia con las Bibliotecas de Computación Central de CUDA (cuda‑cccl) para reducciones, escaneos, transformaciones y clasificación de GPU, además de familiaridad con los kernels de GPU personalizados (Numba CUDA o similar) mediante memoria compartida y operaciones atómicas.
• Desarrollo cómodo en Python/Jupyter (o Colab), organización de notebooks y uso de herramientas básicas de creación de perfiles y visualización.

Experiencia práctica:
los candidatos deben demostrar experiencia trabajando en una tarea de visión por computadora (clasificación de imágenes, detección de objetos, etc.) mediante el uso de Deep Learning en un entorno profesional o académico. Se requiere un conocimiento básico del procesamiento de lenguaje natural (NLP), del aprendizaje por refuerzo (RL) y de otras arquitecturas de redes neuronales como RNNs/LSTMs y GANs. La experiencia calificada incluye:

• un rol profesional (por ejemplo, ingeniero de datos, científico de datos) que diseña proyectos de visión por computadora que usan Deep Learning
• Cursos académicos en visión por computadora, procesamiento de lenguaje natural (NLP), aprendizaje por refuerzo (RL) y arquitecturas de redes neuronales

Conocimiento y Experiencia:
los candidatos también deben tener lo siguiente:

• Familiaridad con los fundamentos básicos de la programación, como son las funciones y variables
• Competencia básica en Python

Experiencia práctica: 
los candidatos deben demostrar experiencia trabajando en al menos una aplicación de procesamiento de lenguaje natural (NLP) mediante una arquitectura basada en transformadores (como BERT), ya sea a título comercial o académico, y explicar su trabajo. La experiencia calificada incluye:

• un rol profesional (por ejemplo, ingeniero, científico de datos) en un proyecto de NLP que haya usado una arquitectura basada en transformadores
• Un proyecto de NLP completado que haya usado una arquitectura basada en transformadores
• Cursos académicos en redes de NLP basadas en transformadores

Conocimiento y Experiencia:
los candidatos también deben tener lo siguiente:

• Competencia básica en el manejo de Python, incluyendo familiaridad con tipos de variables, bucles, declaraciones condicionales, funciones, manipulaciones de matrices y objetos, y métodos de clase
• Competencia básica en pandas y NVIDIA NeMo
• Experiencia en el uso del servidor de inferencia NVIDIA Triton

Experiencia Práctica: 
los candidatos deben demostrar experiencia significativa en ciencia de datos en Python mediante el uso de la computación distribuida para grandes conjuntos de datos, y deben poder discutir lo siguiente sobre su trabajo:

• Detalles sobre todos los aspectos de sus workflows integrales, lo que incluye explicar sus decisiones y hablar con conocimiento de causa sobre las herramientas y bibliotecas utilizadas
• El uso de varias transformaciones de datos aplicadas a los datos de entrada para el consumo de modelos
• El uso de varios algoritmos de Machine Learning en su trabajo y explicar sus decisiones
• Uso exhaustivo de bibliotecas de ciencia de datos de Python como pandas, NumPy, scikit-learn y xgboost
• Trabajo anterior con o en NVIDIA RAPIDS y Dask
• Reconocimiento de la naturaleza iterativa de la ciencia de datos y apreciación de la aceleración por hardware para la experimentación rápida

Conocimiento y Experiencia:
los candidatos deben tener lo siguiente:

• Experiencia con Python y bibliotecas de ciencia de datos comunes como pandas, NumPy, scikit-learn y xgboost
• Competencia en la manipulación de DataFrames
• Familiaridad con la computación distribuida mediante Dask
• Familiaridad con el workflow integral del Machine Learning
• Competencia en varios modelos de Machine Learning, específicamente los de variantes basadas en árboles
• Competencia en métricas de desempeño de modelos, como la precisión y el desempeño de inferencia
• Familiaridad con el ajuste de modelos y sus beneficios
• Conocimiento de NVIDIA RAPIDS, NVTabular y Triton Inference Server

Experiencia Práctica: 
los candidatos deben demostrar experiencia significativa en Ciencia de Datos en Python y deben poder discutir sobre su trabajo anterior:

• Detalles sobre todos los aspectos de sus Workflows integrales, explicando sus decisiones y hablando con conocimiento de las herramientas y bibliotecas usadas
• El uso de muchos algoritmos DS/ML en su trabajo, explicando sus decisiones
• Uso exhaustivo de bibliotecas de Python DS como Pandas, NumPy, scikit-learn, NetworkX
• Es deseable tener experiencia previa con Dask. Polars y/o RAPIDS

Conocimiento y Experiencia:
los candidatos deben tener lo siguiente:

• Experiencia en enseñanza en el aula
• Experiencia significativa en presentaciones

Experiencia práctica: 
los candidatos deben demostrar experiencia significativa en la ciencia de datos, Machine Learning, Deep Learning y en la industria de las telecomunicaciones. Deben haber trabajado en al menos una aplicación de IA significativa, ya sea a título comercial o académico, y poder explicar su trabajo. La experiencia calificada incluye:

• Un papel como contribuyente importante en un proyecto que haya usado Deep Learning
• Un papel como contribuyente importante en un proyecto que haya usado otras técnicas de Machine Learning
• Un papel como contribuyente importante en un proyecto que haya requerido ciencia de datos

Conocimiento y Experiencia:
los candidatos también deben tener lo siguiente:

• Experiencia en ciencia de datos profesional con Python
• Comprensión funcional de NVIDIA RAPIDS
• Experiencia significativa en aprendizaje automático y Deep Learning, específicamente en los modelos XG Boost, AutoEncoder y GAN
• Exposición a la industria de las telecomunicaciones y la ciberseguridad, específicamente a las redes y a la amenaza de intrusión en la red

Experiencia Práctica: 
Los candidatos deben demostrar experiencia trabajando en al menos una aplicación de deep learning, ya sea a nivel comercial o académico, y explicar su trabajo. La experiencia calificada incluye:

• Uso de técnicas de Deep Learning para abordar problemas de clasificación, preferiblemente en el contexto de aplicaciones industriales
• Un papel profesional en un proyecto de visión artificial que haya usado técnicas de Deep Learning
• Cursos significativos de Deep Learning para visión artificial que cubran las diversas etapas del workflow de desarrollo

Conocimiento y Experiencia:
El Candidato debe tener: 

• Conocimiento de Python y bibliotecas de Python comunes usadas en Deep Learning (por ejemplo, numpy y pandas)
• Familiaridad con el workflow integral del Machine Learning
• Familiaridad con la manipulación de datos mediante el DataFrame de pandas
• Familiaridad con los conceptos del Deep Learning, incluido el conocimiento de las redes neuronales convolucionales
• Familiaridad con al menos un framework de Deep Learning (preferentemente Keras y TensorFlow)
• Familiaridad con métricas como la precisión y el desempeño de inferencia
• Familiaridad con la interfaz de línea de comandos y los comandos básicos de Linux
• Familiaridad con los modelos de aprendizaje por transferencia y ajuste fino
• Conocimiento de DALI, el Kit de Herramientas TAO, TensorRT y el Servidor de Inferencia Triton de NVIDIA.

Experiencia Práctica: 
Los candidatos deben demostrar experiencia trabajando en al menos una aplicación de deep learning, ya sea a nivel comercial o académico, y explicar su trabajo. La experiencia calificada incluye:

• Implementar cargas de trabajo de entrenamiento de Deep Learning en múltiples GPU y, preferiblemente, en clústeres de múltiples nodos
• Enfoques sobre datos paralelos para el Deep Learning distribuido
• Creación de perfiles y optimización del código de Deep Learning
• Uso de Contenedores NVIDIA NGC
• Experiencia en el desarrollo de redes neuronales con PyTorch
• Uso de PyTorch DDP para implementar el entrenamiento distribuido

Conocimiento y Experiencia:
el candidato debe tener lo siguiente:

• Sólido conocimiento de la literatura que analiza las implicaciones del entrenamiento de redes neuronales profundas con grandes lotes y, en particular, una buena comprensión del algoritmo LARS/LARC
• Conocimiento del proceso utilizado para entrenar redes neuronales profundas—en particular, comprensión de Stochastic Gradient Descent y de los algoritmos de retropropagación

Experiencia Práctica: 
los candidatos deben demostrar experiencia trabajando en una tarea relacionada con el paralelismo de modelos mediante Deep Learning en un entorno profesional o académico. Se requiere un conocimiento básico de las técnicas de optimización, como la activación con puntos de verificación, el entrenamiento de precisión mixta y la acumulación de gradientes. La experiencia calificada incluye:

• Un rol profesional (por ejemplo, ingeniero de datos, científico de datos) de diseño de proyectos de Deep Learning que usan sistemas distribuidos como la nube o máquinas de múltiples GPU
• Cursos académicos en grandes arquitecturas de redes neuronales, como GPT-3

Conocimiento y Experiencia:
los candidatos también deben demostrar: 

• Una comprensión de las tecnologías Slurm, NVIDIA Triton y DeepSpeed
• Una comprensión de las diferencias entre el paralelismo de modelos y el paralelismo de datos

Experiencia Práctica: 
los candidatos deben demostrar experiencia trabajando en al menos una aplicación de LLM que implique ajuste fino, ya sea a nivel comercial o académico, y explicar su trabajo. La experiencia relevante podría incluir:

• Cómo sus aplicaciones proporcionan una aceleración significativa a un problema que no podría abordarse con éxito en un entorno solo con CPU
• Los detalles de las estrategias de optimización que usan las aplicaciones
• Desafíos técnicos específicos relacionados con NVIDIA CUDA que surgieron durante el desarrollo de las aplicaciones

Conocimiento y Experiencia:
los candidatos deben tener experiencia en las siguientes áreas:

• Diferenciación de RAG, ajuste fino y alineación
• Estrategias para impulsar la creación de diversos conjuntos de datos sintéticos
• Ajuste fino eficiente en parámetros
• Técnicas de poda
• Técnicas de destilación
• Estrategias de decodificación de gran modelo de lenguaje (LLM), como la búsqueda top-k/p y por haz.
• Técnicas de evaluación de salidas de LLM, como ROUGE/BLEU, similitud semántica y LLM como árbitro.

Experiencia Práctica: 
los candidatos deben demostrar experiencia trabajando en al menos una aplicación de IA basada en agentes, ya sea a título comercial o académico, y explicar su trabajo. La experiencia relevante podría incluir:

• Un rol profesional (por ejemplo, ingeniero, científico de datos)
• Un proyecto completado
• Cursos académicos

Conocimiento y Experiencia:
los candidatos deben tener experiencia con lo siguiente:

• LangChain moderno, como LCEL, LangGraph, etc.
• Capacidades diferenciales de varias herramientas basadas en agentes, como LangGraph, CrewAI y Autogen
• Sistemas de gran modelo de lenguaje (LLM) con estado.
• Llamada de herramientas de LLM
• Estrategias para evitar el desvío.
• Enrutamiento de agentes

Experiencia Práctica: 
Los candidatos deben demostrar experiencia trabajando en al menos una aplicación de gran modelo de lenguaje (LLM) mediante una interfaz programática, ya sea a nivel comercial o académico, y explicar su trabajo. La experiencia relevante podría incluir:

• Un rol profesional (por ejemplo, ingeniero, científico de datos)
• Un proyecto completado
• Cursos académicos

Conocimiento y Experiencia:
los candidatos deben tener experiencia con lo siguiente:

• Desarrollo en Python, incluida la comprensión de Pydantic
• LangChain moderno, como LCEL, LangGraph, etc.
• Métodos de decodificación de predicción de próximos tokens de LLM 
• Cómo se desarrollan los modelos de LLM (preentrenamiento, alineación, ajuste de instrucciones, etc.)
• Técnicas de solicitud para LLM como la cadena de pensamiento iterativa, cero/uno/pocos ejemplos.
• Agentes que usan herramientas, como ReAct

Experiencia Práctica: 
los candidatos deben demostrar experiencia trabajando en al menos una aplicación de IA Generativa que incorpore entradas de múltiples modalidades, ya sea a nivel comercial o académico, y explicar su trabajo. La experiencia relevante podría incluir:

• Un rol profesional (por ejemplo, ingeniero, científico de datos)
• Un proyecto completado
• Cursos académicos

Conocimiento y Experiencia:
los candidatos deben tener experiencia con lo siguiente:

• Detalles sobre la implementación de preentrenamiento contrastante
• Técnicas para combinar embeddings de varias modalidades, como proyecciones de modelos de lenguaje de visión
• Herramientas para segmentar documentos, como texto, títulos, figuras, gráficos y tablas
• Generación aumentada por recuperación de gráficos (RAG) y tecnología asociada, como las bases de conocimiento y las consultas de Cypher

Experiencia práctica: 
los candidatos deben demostrar experiencia significativa en la ciencia de datos, Machine Learning, Deep Learning y en la industria de las telecomunicaciones. Deben haber trabajado en al menos una aplicación de IA significativa, ya sea a título comercial o académico, y explicar su trabajo. La experiencia calificada incluye:

• Contribución activa o esfuerzos de coordinación de código abierto en el área
• Experiencia orquestando sistemas de administración de diálogos y recuperación de información
• Sólida experiencia en ingeniería de software aplicada, especialmente en microservicios y soluciones de servidor de inferencia

Conocimiento y Experiencia:
los candidatos deben tener lo siguiente:

• Fuerte competencia en Python, incluida la programación funcional y la implementación de servidores
• Experiencia en grandes modelos de lenguaje como puntos finales de inferencia, incluidos los casos de uso de la industria
• Se requiere una fuerte experiencia con LangChain moderno (incluido LCEL) y LangServe; es útil la comprensión de LangGraph, LlamaIndex, Langsmith y NeMo Guardrails
• Experiencia en la orquestación de microservicios y servidores, como Docker y FastAPI
• Experiencia en la generación aumentada por recuperación (RAG) moderna, incluyendo algunas formulaciones de derivados y pros y contras
• Comprensión del comportamiento agentivo, de las herramientas y de los componentes de agentes modulares
• Manejo fácil de las métricas de evaluación y expectativas de desempeño

Experiencia Práctica: 
los candidatos deben demostrar una experiencia significativa en la implementación de sistemas de recuperación. Deben haber trabajado en al menos una aplicación de IA significativa, ya sea a título comercial o académico, y explicar su trabajo. La experiencia calificada incluye:

• Contribución activa o esfuerzos de coordinación de código abierto en el área
• Experiencia orquestando sistemas de administración de diálogos y recuperación de información
• Sólida experiencia en ingeniería de software aplicada, especialmente en microservicios y soluciones de servidor de inferencia

Conocimiento y Experiencia:
los candidatos deben tener experiencia con lo siguiente:

• Fuerte competencia en Python, incluida la programación funcional y la implementación de servidores
• Experiencia en grandes modelos de lenguaje como puntos finales de inferencia, incluidos los casos de uso de la industria
• Experiencia en la orquestación de microservicios y servidores, como Docker y FastAPI
• Sistemas de recuperación, incluida la combinación de embebedores y rerankers
• Manejo fácil de las métricas de evaluación y expectativas de desempeño
• Plataformas de orquestación de contenedores, especialmente clústeres de Kubernetes
• Herramientas de monitoreo como Prometheus

Experiencia Práctica: 
los candidatos deben demostrar una experiencia completa y actualizada en Deep Learning, visión artificial y modelos de difusión. Los candidatos ideales tendrán conocimiento previo del material que los rodea, así como de roles activos que los exponen a las últimas tendencias, innovaciones e intuiciones emergentes. Las experiencias calificadoras incluyen:

• Un rol profesional (por ejemplo, ingeniero de Machine Learning, científico de datos) de diseño de proyectos de Deep Learning que generan imágenes
• Contribución activa o esfuerzos de coordinación de código abierto en el área
• Cursos académicos sobre el uso de la IA para generar imágenes

Conocimiento y Experiencia:
los candidatos deben tener lo siguiente:

• Competencia en Python y PyTorch
• Comprensión intuitiva activa de CLIP y AEs/VAEs/GANs/Difusión Estable multimodales
• Comprensión intuitiva de la clasificación/subtitulado/transcripción de audio/video/imágenes
• Base en estadísticas, incluida la distribución normal y el muestreo aleatorio

Experiencia Práctica: 
los candidatos deben demostrar una experiencia completa y actualizada en Deep Learning, grandes modelos de lenguaje y sistemas de agentes. Los candidatos ideales tendrán conocimiento previo del material que los rodea, así como de roles activos que los exponen a las últimas tendencias, innovaciones e intuiciones emergentes. Las experiencias calificadoras incluyen:

• Experiencia en el diseño arquitectónico de modelos de chat/multimodales
• Experiencia en el bucle de entrenamiento y en las suposiciones/intuiciones del Pipeline
• Contribución activa o esfuerzos de coordinación de código abierto en el área
• Experiencia orquestando sistemas de administración de diálogos y recuperación de información

Conocimiento y Experiencia:
los candidatos deben tener lo siguiente:

• Competencia avanzada en Python, suficiente para leer el código fuente de Hugging Face
• Manejo intuitivo de Hugging Face, incluida la serialización, el lanzamiento de modelos, Transformers, etc.
• Experiencia en el diseño de sistemas con componentes constituyentes de LLM
• Familiaridad con PyTorch, Deep Learning, IA Generativa, modelos multimodales, etc.
• Comprensión de la experimentación e implementación con sistemas LLM, incluidos los requisitos de hardware, las consideraciones de seguridad y las técnicas de evaluación.
• Comprensión intuitiva de la clasificación/subtitulado/transcripción de audio/video/imágenes
• Comprensión intuitiva activa de CLIP y AEs/VAEs/GANs/Difusión Estable multimodales
• Experiencia en LangChain, incluidas las intuiciones y detalles de los desarrollos actuales
• Familiaridad con la generación aumentada por recuperación (RAG), como LlamaIndex, los servicios VDB, los modelos de recuperación y más
• Conocimiento suficiente de las propuestas de valor de NVIDIA en torno a los LLM, RAG, NVIDIA NeMo, etc.

Experiencia Práctica: 
los candidatos deben demostrar experiencia trabajando en al menos un proyecto de simulación de robótica, ya sea a nivel comercial o académico, y explicar su trabajo. La experiencia relevante podría incluir:

• Un rol profesional (por ejemplo, ingeniero, científico de datos)
• Un proyecto completado
• Cursos académicos

Conocimiento y Experiencia:
los candidatos deben tener experiencia con lo siguiente:

• NVIDIA Isaac Sim
• openusd
• Modelos URDF
• ROS2
• Navegación robótica, es decir, SLAM
• Generación de Datos Sintéticos

Los candidatos deben demostrar una experiencia integral y actualizada en redes de data center. Los candidatos ideales tendrán experiencia práctica en tecnologías avanzadas de redes de IA y monitoreo en tiempo real.

Experiencia Práctica: 

• Experiencia profesional (por ejemplo, ingeniero de redes, administrador de sistemas, ingeniero de infraestructura, arquitecto de soluciones, DevOps, entrenadores) en la implementación, configuración y administración de entornos de red basados en Cumulus Linux en data centers de producción.
• Experiencia en la simulación e implementación de clústeres NVIDIA Air.

Conocimiento y Experiencia:

• Competencia en la administración de Linux (shell, administración de configuración, solución de problemas) 

• Sólido conocimiento de las redes, los switches y el enrutamiento de Ethernet 

• Se prefiere la experiencia con hardware de redes de NVIDIA 

• Redes de Capa 2 y Capa 3: VLANs, puentes, conexiones troncales, agregación de enlaces (LAG/MLAG), Interfaces Virtuales de Switch (SVI), VRR, VRF y BGP (incluido BGP no numerado)

• Virtualización de redes mediante VXLAN y EVPN, incluidos los modelos de enrutamiento simétrico y asimétrico 

• Experiencia con herramientas y Workflows de automatización de redes (por ejemplo, Ansible, API REST, aprovisionamiento sin toque)

• Monitoreo, diagnóstico y solución de problemas en múltiples capas de la red, incluido el monitoreo de recursos de hardware y OpenTelemetry

Preferido: 

• Certificado de curso de NVIDIA Cumulus Linux o certificación NCP-AIN (Profesional Certificado de NVIDIA en Redes de IA)

• Participación activa en proyectos o en la comunidad de networking del código abierto

Los candidatos deben demostrar una experiencia integral y actualizada en redes de data center. Los candidatos ideales tendrán experiencia práctica en tecnologías avanzadas de redes de IA y monitoreo en tiempo real. 

Experiencia Práctica: 

• Roles profesionales como ingeniero de redes, DevOps, instructores técnicos o administradores de sistemas que trabajan con Spectrum-X, Cumulus Linux y redes de data centers de IA 

• Instructor Certificado Cumulus Linux 

• Experiencia en la simulación e implementación de clústeres NVIDIA Air 

• Monitoreo y solución de problemas en tiempo real con NVIDIA NetQ, Cumulus Linux CLI y herramientas de telemetría (ASIC, OTLP, DTS) 

Conocimiento y Experiencia:

• Cumulus Linux: Experiencia práctica con instalación, configuración, actualizaciones, funciones de Capa 2/3, virtualización de redes (VXLAN/EVPN), automatización y solución de problemas 
• Redes: Sólido conocimiento de Ethernet, conmutación, enrutamiento y automatización de networking de data center

• Linux: Competencia en la administración de Linux y de entornos de red basados en Linux 

Preferido:

• Certificado de curso de NVIDIA Cumulus Linux o certificación NCP-AIN (Profesional Certificado de NVIDIA en Redes de IA)

• Participación activa en proyectos o en la comunidad de networking del código abierto

Los candidatos deben demostrar una experiencia integral y actualizada en la implementación y administración de la infraestructura de data centers de IA, lo que incluye la computación, las redes, el almacenamiento y la virtualización. Los candidatos ideales tendrán experiencia práctica en tecnologías y Workflows avanzados de infraestructura de IA.

Experiencia Práctica: 

• Roles profesionales como administrador de data center, ingeniero de DevOps, administrador de sistemas o ingeniero de infraestructura de IA que trabajen con entornos de IA a escala empresarial
• Experiencia directa y práctica con: 
• Implementación y administración de plataformas de computación de IA (GPU, CPU, DPU) 
• Arquitectura de almacenamiento y optimización del desempeño para data centers de IA
• Tecnologías de virtualización (VM, contenedores, partición de GPU con vGPU/MIG) 
• Instalación y administración del software de NVIDIA (drivers de GPU, DOCA, contenedores NVIDIA NGC, IA de NVIDIA Enterprise Suite)
• Uso de herramientas de administración como NVIDIA Base Command Manager (BCM) para el aprovisionamiento y las operaciones de clústeres de IA 

Conocimiento y Experiencia:

• Redes: Conocimiento de Ethernet e InfiniBand, conmutación, enrutamiento y automatización avanzada de redes de data centers 
• Linux: competencia en la administración de sistemas Linux (administración de usuarios, configuración, solución de problemas) 
• Almacenamiento: comprensión de los sistemas de archivos, protocolos de almacenamiento y pruebas de desempeño 
• Virtualización: experiencia con VM, contenedores y virtualización de GPU 
• Conceptos de IA: Familiaridad con el Machine Learning, el Deep Learning y las aplicaciones de IA comunes

Los candidatos deben demostrar una experiencia integral y actualizada en la operación y administración de entornos de data centers de IA, lo que incluye la computación, las redes, el almacenamiento y la virtualización. Los candidatos ideales tendrán experiencia práctica con operaciones y Workflows avanzados de data center de IA

Experiencia Práctica: 

• Roles profesionales como administrador de data center, ingeniero de DevOps, administrador de sistemas, ingeniero de infraestructura de IA o científico de datos que trabajen con entornos de IA a escala empresarial 
• Experiencia directa y práctica con: 
• Operación y administración de plataformas de computación de IA (GPU, CPU, DPU) 
• Aprovisionamiento y administración de cargas de trabajo de IA y virtualización en data centers 
• Mantenimiento de redes InfiniBand y Ethernet para cargas de trabajo de IA 
• Arquitectura de almacenamiento y optimización del desempeño para data centers de IA
• Tecnologías de virtualización (VM, contenedores, partición de GPU) 
• Instalación y administración del software de NVIDIA (drivers de GPU, DOCA, contenedores NGC, IA Enterprise Suite)
• Uso de herramientas de administración como NVIDIA DCGM, UFM y las utilidades de administración de BlueField

Conocimiento y Experiencia:

• Redes: Conocimiento de Ethernet e InfiniBand, conmutación, enrutamiento y automatización de redes de data centers 
• Linux: competencia en la administración de sistemas Linux (administración de usuarios, configuración, solución de problemas) 
• Almacenamiento: comprensión de los sistemas de archivos, protocolos de almacenamiento y pruebas de desempeño 
• Virtualización: experiencia con VM, contenedores y virtualización de GPU 
• Conceptos de IA: Familiaridad con el Machine Learning, el Deep Learning y las aplicaciones de IA comunes

Los candidatos deben demostrar una sólida experiencia en infraestructura de IA empresarial, con experiencia práctica en la implementación de cargas de trabajo basadas en Kubernetes en servidores bare-metal y la administración de entornos de GPU de NVIDIA a escala.

Experiencia Práctica:

• Profesional de TI con experiencia práctica en entornos de data centers empresariales (servidores, almacenamiento, redes, GPU, Linux)
• Experiencia en la implementación y administración de clústeres de Kubernetes en infraestructura bare-metal
• Experiencia práctica en creación de contenedores: contenedores y Kubernetes (CNCF)
• Experiencia en cargas de trabajo habilitadas para GPU y configuración de GPU de NVIDIA en la producción
• Familiaridad con los componentes de la suite de NVIDIA AI Enterprise (NIM, GPU Operator, DCGM Exporter)
• Experiencia en la implementación de cargas de trabajo de IA/ML, preferentemente incluidos los pipelines de RAG

Conocimiento y Experiencia:

• Infraestructura de data centers: servidores, almacenamiento, redes, GPU y sistemas operativos de Linux
• Administración de clústeres de Kubernetes e implementaciones de Helm charts
• Configuración de GPU y NVIDIA GPU Operator en Kubernetes
• Monitoreo y observabilidad: DCGM Exporter, Prometheus, Grafana
• Administración de sistemas Linux y administración de servidores bare metal
• Comprensión básica de los conceptos de IA/ML y los workflows de IA empresarial

Preferido:

• Certificación NCA-AIIO