Programa de Instructores Certificados

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 proporcionar evidencia de un trabajo significativo con una aplicación acelerada por NVIDIA CUDA, ya sea en un escenario profesional o académico significativo, y estar preparados para hablar sobre este trabajo con otros. Deberían poder discutir:

• 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 CUDA que surgieron durante el desarrollo de las aplicaciones

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 y manipulaciones de matrices. Competencia básica en el manejo de NumPy, incluyendo familiaridad con sus matrices y funciones

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:

• Deep Learning para datos de series temporales, experiencia de trabajo/investigación con variaciones de modelos de AutoEncoder, modelos recurrentes (LSTM) y GAN
• Medidas de precisión de los modelos, preferiblemente en el contexto de aplicaciones industriales
• Familiaridad con las técnicas de Machine Learning; una comprensión profunda del algoritmo XGBoost es crucial para el éxito de la entrega de cursos
• Un mínimo de una biblioteca de Deep Learning; preferentemente Keras y TensorFlow

Conocimiento y Experiencia:
los candidatos también deben estar familiarizados con: 

• Conceptos de Deep Learning: como mínimo, conocimiento de las redes neuronales artificiales
• Python y bibliotecas de Python comunes usadas en Deep Learning (por ejemplo, numpy, pandas, sklearn)
• TensorFlow y Keras

Experiencia práctica: 
los candidatos deben demostrar experiencia trabajando en al menos una aplicación de IA conversacional mediante el reconocimiento automático de voz (ASR), la comprensión del lenguaje natural (NLU) o el texto a voz (TTS), 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 IA conversacional que haya usado un modelo ASR para transcribir el lenguaje hablado y procesarlo
• Un proyecto de IA conversacional completado para una aplicación de asistente virtual
• Cursos académicos en IA conversacional mediante redes neuronales

Conocimiento y Experiencia:
los candidatos 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
• Experiencia en el uso del Kit de Herramientas NVIDIA TAO y NVIDIA Riva
• Experiencia básica en la línea de comandos de Linux
• Experiencia en el uso de Docker
• Experiencia en el uso de Helm Charts y Kubernetes

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 con 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 de las 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 en 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/captioning/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.

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: 

• Certificación NVIDIA Cumulus Linux o IA Networking 

• 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:

• Certificación NVIDIA Spectrum-X o IA Networking

• 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) 
• Desarrollo y 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 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: Sólido conocimiento de Ethernet e InfiniBand, conmutación, enrutamiento y automatización avanzada de redes de data center
• 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 
• Desarrollo y 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: sólido 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