Programa de Instrutores Certificados (CIP)

Experiência prática:

Os candidatos devem demonstrar experiência prática na implantação e otimização de sistemas de inferência de grandes modelos de linguagem (LLM) em GPUs em um ambiente de produção ou de laboratório real. 

A experiência de qualificação inclui:

• Cargo profissional (por exemplo, engenheiro de ML, engenheiro de MLOps, engenheiro de plataforma) responsável por operar LLM ou outros serviços de inferência de deep learning, incluindo planejamento de capacidade, ajuste de latência/taxa de processamento e otimização de custos.
• Trabalho de laboratório acadêmico ou industrial envolvendo implantação de workloads de GPU baseada em Kubernetes, incluindo o uso de gráficos Helm, operadores de GPU e escalabilidade automática para serviços de IA.

Conhecimento e experiência:

Os candidatos também devem ter o seguinte:

• Sólida compreensão do ciclo de vida e dos regimes de escalabilidade de LLM
• Profunda familiaridade com elementos internos de inferência de transformers (por exemplo, fases de prefill versus decodificação, mecânica de cache KV etc.)
• Conhecimento de técnicas de otimização de inferência
• Experiência na comparação de serviços de IA gerenciados com soluções de código aberto/auto-hospedadas
• Conhecimento prático do Kubernetes, incluindo habilitação de GPU e redes
• Experiência com pelo menos um dos seguintes stacks: microsserviços NVIDIA NIM, vLLM ou stacks de LLM semelhantes auto-hospedados
• Compreensão dos controles de tempo de inferência
• Experiência em gerar e analisar tráfego paralelo para endpoints de LLM
• Fluência em compensações de precisão numérica e utilização de hardware para LLMs
• Familiaridade com ferramentas de benchmarking e desempenho, como a AIPerf ou equivalentes
• Conhecimento de gateways com reconhecimento de LLM (por exemplo, Envoy IA Gateway)
• Experiência com o escalonamento automático de serviços de inferência de GPU usando mecanismos orientados por métricas, como o KEDA
• Familiaridade com stacks de monitoramento de GPU
• Compreensão de serviço de LLM desagregado
• Conhecimento de padrões avançados de orquestração para workloads de IA fortemente interligados

Experiência prática:

Os candidatos devem demonstrar experiência prática no desenvolvimento, configuração e avaliação de sistemas de IA multiagentes que integram LLMs com ferramentas específicas de domínio, de preferência em um contexto industrial, de IoT ou de manutenção preditiva. 

A experiência de qualificação inclui:

• Uma função profissional (por exemplo, engenheiro de IA/ML, cientista de dados, pesquisador de IA aplicada, arquiteto de soluções) na qual projetou ou operou workflows de IA baseada em agentes que orquestram várias chamadas de LLM, invocações de ferramentas personalizadas e cadeias de raciocínio em várias etapas para resolver problemas reais.
• Trabalho de projetos acadêmicos ou industriais envolvendo manutenção preditiva, monitoramento de integridade de ativos ou engenharia de confiabilidade usando dados de séries temporais de sensores, incluindo a criação de pipelines de dados, o treinamento ou a implantação de modelos de ML para estimativa de vida útil remanescente (RUL) e a geração de recomendações de manutenção práticas.

Conhecimento e experiência:

Os candidatos também devem ter o seguinte:

• Sólida compreensão de conceitos de IA baseada em agentes, como agentes ReAct, raciocínio em cadeia de pensamento e orquestração de vários agentes (padrões de planejador/executor)
• Experiência com o Kit de Ferramentas NVIDIA NeMo Agent (NAT) ou Frameworks semelhantes baseados em agentes (por exemplo, LangChain, LlamaIndex agents, AutoGen), incluindo definição de agentes orientada por configuração, registro de ferramentas e engenharia de prompts
• Familiaridade com microsserviços NVIDIA NIM ou experiência equivalente na implantação e invocação de endpoints de inferência de LLM
• Experiência no desenvolvimento e registro de ferramentas personalizadas para agentes de LLM, incluindo definição de esquemas de entrada e atualizações de prompts do sistema para orientar o uso de ferramentas
• Conhecimento prático de ferramentas de observabilidade e rastreamento de LLM, como Phoenix, LangSmith ou soluções baseadas em OpenTelemetry para depurar o comportamento de agentes e monitorar o uso e a latência de tokens
• Experiência com frameworks de avaliação para IA baseada em agentes, incluindo o design de conjuntos de dados de avaliação, execução de conjuntos de avaliação automatizados e interpretação de resultados de pontuação
• Familiaridade com a geração de código orientada por LLM e execução em sandbox, incluindo considerações de segurança, como isolamento baseado em Docker e listagem de permissões de bibliotecas
• Compreensão de modelos fundamentais de séries temporais (por exemplo, MOMENT, NV-Tesseract) para detecção de anomalias e como eles se comparam às abordagens tradicionais baseadas em estatística e ML
• Experiência prática com detecção de anomalias em sensores ou dados industriais de séries temporais, incluindo a correlação de padrões de anomalias com a degradação de ativos e a vida útil remanescente
• Conhecimento prático de SQL e integração de texto-para-SQL em pipelines de ferramentas para agentes
• Sentir-se à vontade desenvolvendo em Python/Jupyter com proficiência em pandas, NumPy e bibliotecas de visualização (Plotly, Matplotlib, Seaborn)
• Familiaridade com conceitos de manutenção preditiva, incluindo estágios de ciclo de vida de ativos, modos de falha, padrões de degradação e monitoramento de integridade baseado em sensores

Experiência prática: 
os candidatos devem demonstrar experiência prévia significativa trabalhando com aplicações aceleradas por NVIDIA CUDA/GPU, seja em um cenário profissional ou acadêmico, e devem ser capazes de discutir seu trabalho, relacionado ao seguinte:

• Como a aceleração significativa foi alcançada em um problema que não pôde ser resolvido com sucesso em um ambiente apenas com CPU
• Detalhes sobre as estratégias aplicadas que as aplicações usam em relação a uma arquitetura de GPU
• Desafios técnicos encontrados, adaptados às especificações do CUDA e como eles foram enfrentados

Conhecimento e experiência:
Os candidatos devem ter experiência com o seguinte:

• Compreensão básica da arquitetura de computadores (hierarquias de memória, núcleos de computação, etc.)
• Conhecimento fundamental em computação paralela
• Controle de race conditions e familiaridade com métodos de prevenção
• Compreensão dos mecanismos de sincronização entre threads/processos
• Conhecimento e experiência médios a avançados em programação moderna em C++, incluindo a compreensão de classes, functores e funções Lambda
• Conhecimento e experiência com a biblioteca de templates padrão C++ (STL), incluindo o uso extensivo de iteradores

Experiência prática:

Os candidatos devem demonstrar experiência prática com computação numérica acelerada por GPU ou HPC usando Python, incluindo o trabalho com bibliotecas como NumPy, CuPy e, de preferência, Numba ou CUDA C/C++ em um ambiente profissional ou acadêmico. 

A experiência de qualificação inclui:

• Uma função profissional (por exemplo, engenheiro de ML/IA, engenheiro de HPC, engenheiro de dados, engenheiro de software) na qual a pessoa implementou e otimizou computações baseadas em matrizes em GPUs (por exemplo, álgebra linear, reduções, varreduras, classificação, histograma) usando ferramentas como CuPy, cuda‑cccl ou kernels CUDA personalizados.
• Projetos acadêmicos ou de pesquisa envolvendo conceitos de programação de GPU, como espaços de memória, otimização de transferência de dados, fluxos CUDA, execução assíncrona e definição de perfis de desempenho com Nsight/NVTX ou ferramentas similares.

Conhecimento e experiência:

Os candidatos também devem ter o seguinte:

• Sólidas habilidades de programação de arrays com a API NumPy (vetorização, transmissão, álgebra linear, reduções, classificação) e capacidade de raciocinar sobre o desempenho e a movimentação de dados.
• Experiência prática usando o CuPy como drop-in NumPy para aceleração de GPU, incluindo benchmarking e compreensão das principais diferenças de APIs.
• Conhecimento prático dos principais conceitos de CUDA: memória host versus dispositivo, transferências, fluxos, sincronização e execução assíncrona a partir do Python.
• Experiência com bibliotecas de computação central CUDA (cuda‑cccl) para reduções, varreduras, transformações e classificação de GPUs, além de familiaridade com kernels de GPU personalizados (Numba CUDA ou similar) usando memória compartilhada e atomics.
• À vontade para desenvolver em Python/Jupyter (ou Colab), organizar notebooks e usar ferramentas básicas de criação de perfis e visualização.

Experiência prática:
os candidatos devem demonstrar experiência trabalhando em uma tarefa de visão computacional (classificação de imagens, detecção de objetos etc.) usando deep learning em um ambiente profissional ou acadêmico. É necessário o conhecimento fundamental de processamento de linguagem natural (NLP), aprendizagem por reforço (RL) e outras arquiteturas de redes neurais, como RNNs/LSTMs e GANs. A experiência de qualificação inclui:

• Uma função profissional (por exemplo, engenheiro de dados, cientista de dados) arquitetando projetos de visão computacional que usam deep learning
• Cursos acadêmicos em visão computacional, NLP, RL e arquiteturas de redes neurais

Conhecimento e experiência:
Os candidatos também devem ter experiência com o seguinte:

• Familiaridade com os fundamentos básicos de programação, como funções e variáveis
• Competência básica em Python

Experiência prática: 
candidatos devem demonstrar experiência trabalhando em pelo menos uma aplicação de processamento de linguagem natural (NLP) usando uma arquitetura baseada em transformadores (como o BERT), seja em capacidade comercial ou acadêmica, e explicar seu trabalho. A experiência de qualificação inclui:

• Uma função profissional (por exemplo, engenheiro, cientista de dados) em um projeto de NLP que usou uma arquitetura baseada em transformadores
• Um projeto de NLP concluído que usou uma arquitetura baseada em transformadores
• Cursos acadêmicos em redes baseadas em transformadores de NLP

Conhecimento e experiência:
Os candidatos também devem ter experiência com o seguinte:

• Competência básica em Python, incluindo familiaridade com tipos variáveis, loops, declarações condicionais, funções e manipulações de arrays, e métodos/objetos de classe
• Competência básica em Pandas e NVIDIA NeMo
• Experiência usando o NVIDIA Triton Inference Server

Experiência prática: 
os candidatos devem demonstrar experiência significativa com ciência de dados em Python usando computação distribuída para grandes conjuntos de dados e devem ser capazes de discutir o seguinte sobre seu trabalho:

• Detalhes sobre todos os aspectos de seus workflows de ponta a ponta, incluindo explicar suas decisões e falar com conhecimento sobre ferramentas e bibliotecas usadas
• O uso de várias transformações de dados aplicadas em dados de entrada para consumo de modelos
• O uso de vários algoritmos de machine learning em seu trabalho e explicação de suas decisões
• Uso extensivo de bibliotecas de ciência de dados em Python, como Pandas, NumPy, scikit-learn e xgboost
• Trabalho anterior usando ou falando sobre NVIDIA RAPIDS e Dask
• Reconhecimento da natureza iterativa da ciência de dados e apreciação da aceleração de hardware para experimentação rápida

Conhecimento e experiência:
Os candidatos devem ter experiência com o seguinte:

• Experiência com Python e bibliotecas comuns de ciência de dados, como Pandas, NumPy, Scikit-learn e xgboost
• Proficiência com manipulação de DataFrames
• Familiaridade com computação distribuída usando Dask
• Familiaridade com o workflow de machine learning de ponta a ponta
• Proficiência com vários modelos de machine learning, especificamente aqueles de variantes baseadas em árvores
• Proficiência com métricas de desempenho de modelos, como precisão e desempenho de inferência
• Familiaridade com o ajuste de modelos e seus benefícios
• Conhecimento do RAPIDS da NVIDIA, NVTabular e Triton Inference Server

Experiência Prática: 
Os candidatos devem demonstrar experiência prática com ciência de dados em Python e devem ser capazes de discutir sobre seu trabalho anterior:

• Detalhes sobre todos os aspectos de seus workflows de ponta a ponta, explicando suas decisões e falando com conhecimento sobre ferramentas e bibliotecas usadas
• O uso de muitos algoritmos de DS/ML em seu trabalho, explicando suas decisões
• Uso extensivo de bibliotecas Python DS, como Pandas, NumPy, Scikit-learn, NetworkX
• Trabalho anterior com Dask, preferível. Polars e/ou RAPIDS

Conhecimento e experiência:
Os candidatos devem ter experiência com o seguinte:

• Experiência de ensino em sala de aula
• Experiência em apresentações

Experiência prática:
Os candidatos devem demonstrar experiência em ciência de dados, machine learning, deep learning e o setor de telecomunicações. Eles devem ter trabalhado em pelo menos uma aplicação de IA significativa, seja em capacidade comercial ou acadêmica, e devem ser capazes de explicar seu trabalho. A experiência de qualificação inclui:

• Colaboração significativa em um projeto que usou deep learning
• Colaboração significativa em um projeto que usou outras técnicas de machine learning
• Colaboração significativa em um projeto que exigia ciência de dados

Conhecimento e experiência:
Os candidatos também devem ter experiência com o seguinte:

• Experiência profissional em ciência de dados usando Python
• Compreensão prática do NVIDIA RAPIDS
• Experiência significativa em machine learning e deep learning, especificamente modelos XG Boost, AutoEncoder e GAN
• Exposição ao setor de telecomunicações e cibersegurança, especificamente redes e a ameaça de intrusão de rede

Experiência Prática: 
Os candidatos devem demonstrar experiência trabalhando em pelo menos uma aplicação de deep learning, seja em capacidade comercial ou acadêmica, e explicar seu trabalho. A experiência de qualificação inclui:

• Uso de técnicas de deep learning para enfrentar problemas de classificação, de preferência no contexto de aplicações industriais
• Experiência profissional em um projeto de visão computacional que usou técnicas de deep learning
• Cursos em deep learning para visão computacional que cobrem os vários estágios do workflow de desenvolvimento

Conhecimento e Experiência:
O candidato deve ter: 

• Conhecimento de Python e bibliotecas Python comuns usadas em deep learning (por exemplo, numpy e pandas)
• Familiaridade com o workflow de machine learning de ponta a ponta
• Familiaridade com a manipulação de dados usando o pandas DataFrame
• Familiaridade com conceitos de deep learning, incluindo conhecimento de redes neurais convolucionais
• Familiaridade com pelo menos um framework de deep learning (Keras e TensorFlow são preferíveis)
• Familiaridade com métricas, como precisão e desempenho de inferência
• Familiaridade com interface de linha de comando e comandos básicos do Linux
• Familiaridade com aprendizagem de transferência e modelos de ajuste fino
• Conhecimento do DALI da NVIDIA, Kit de Ferramentas TAO, TensorRT e Triton Inference Server

Experiência Prática: 
Os candidatos devem demonstrar experiência trabalhando em pelo menos uma aplicação de deep learning, seja em capacidade comercial ou acadêmica, e explicar seu trabalho. A experiência de qualificação inclui:

• Implantação de workloads de treinamento de deep learning em várias GPUs e, de preferência, clusters de vários nós
• Abordagens paralelas de dados para deep learning distribuído
• Criação de perfis e otimização do código de deep learning
• Uso de contêineres do NVIDIA NGC
• Experiência em criação de redes neurais com PyTorch
• Uso do PyTorch DDP para implantar treinamento distribuído

Conhecimento e experiência:
o candidato deve ter experiência com o seguinte:

• Forte conhecimento da literatura discutindo implicações do treinamento de redes neurais profundas com grandes lotes, em particular, uma boa compreensão do algoritmo LARS/LARC
• Conhecimento do processo usado no treinamento de redes neurais profundas: em particular, compreensão do Stochastic Gradient Descent e dos algoritmos de retropropagação

Experiência prática: 
Os candidatos devem demonstrar experiência trabalhando em uma tarefa relacionada ao paralelismo de modelos usando deep learning em um ambiente profissional ou acadêmico. É necessário o conhecimento fundamental de técnicas de otimização, como checkpointing de ativação, treinamento de precisão mista e acumulação de gradientes. A experiência de qualificação inclui:

• Experiência profissional (por exemplo, engenheiro de dados, cientista de dados) arquitetando projetos de Deep Learning que usam sistemas distribuídos, como cloud ou máquinas com várias GPUs
• Cursos acadêmicos em arquitetura de grandes redes neurais, como GPT-3

Conhecimento e Experiência:
Os candidatos também devem demonstrar: 

• Compreensão das tecnologias Slurm, NVIDIA Triton e DeepSpeed
• Compreensão das diferenças entre o paralelismo de modelos e dados

Experiência prática: 
Os candidatos devem demonstrar experiência trabalhando em pelo menos uma aplicação de LLM envolvendo ajuste fino, seja em capacidade comercial ou acadêmica, e explicar seu trabalho. A experiência de qualificação pode incluir:

• Como suas aplicações fornecem aceleração significativa em um problema que não poderia ser resolvido com sucesso em um ambiente apenas de CPU
• As especificações das estratégias de otimização usadas nas aplicações
• Desafios técnicos específicos relacionados ao NVIDIA CUDA que surgiram durante o desenvolvimento de aplicações

Conhecimento e Experiência:
Os candidatos devem ter experiência nas seguintes áreas:

• Diferenciação de RAG, ajuste fino e alinhamento
• Estratégias para impulsionar a criação de diversos conjuntos de dados sintéticos
• Ajuste fino com eficiência de parâmetros
• Técnicas de pruning
• Técnicas de destilação
• Estratégias de decodificação de grandes modelos de linguagem (LLM), como top-k/p e beam search.
• Técnicas de avaliação de saída de LLM, como ROUGE/BLEU, similaridade semântica e LLM-as-a-judge

Experiência Prática:
Os candidatos devem demonstrar experiência trabalhando em pelo menos uma aplicação de IA baseada em agentes, seja em capacidade comercial ou acadêmica, e conseguir explicar seu trabalho. A experiência de qualificação pode incluir:

• Experiência profissional (por exemplo, engenheiro, cientista de dados)
• Um projeto concluído
• Cursos acadêmicos

Conhecimento e Experiência:
Os candidatos devem ter experiência com o seguinte:

• LangChain Moderno, incluindo LCEL, LangGraph, etc.
• Recursos de diferenciação de várias ferramentas baseadas em agentes, como LangGraph, CrewAI e Autogen
• Sistemas de grandes modelos de linguagem (LLM) dinâmicos
• Chamada de ferramenta de LLM
• Estratégias para evitar derailing
• Roteamento com base em agentes

Experiência prática:
os candidatos devem demonstrar experiência trabalhando em pelo menos uma aplicação de grande modelo de linguagem (LLM) usando uma interface programática, seja em capacidade comercial ou acadêmica, e explicar seu trabalho. A experiência de qualificação pode incluir:

• Experiência profissional (por exemplo, engenheiro, cientista de dados)
• Um projeto concluído
• Cursos acadêmicos

Conhecimento e Experiência:
Os candidatos devem ter experiência com o seguinte:

• Desenvolvimento em Python, incluindo uma compreensão do Pydantic
• LangChain Moderno, incluindo LCEL, LangGraph, etc.
• Métodos de decodificação de previsão de tokens de LLM 
• Como os modelos de LLM são desenvolvidos (pré-treinamento, alinhamento, ajuste de instruções etc.)
• Técnicas de solicitação de LLM, incluindo iterativa, zero/one/few-shot, cadeia de raciocínio.
• Agentes usando ferramentas, como ReAct

Experiência prática:
os candidatos devem demonstrar experiência trabalhando em pelo menos uma aplicação de IA generativa incorporando inputs de várias modalidades, seja em capacidade comercial ou acadêmica, e conseguir explicar seu trabalho. A experiência de qualificação pode incluir:

• Experiência profissional (por exemplo, engenheiro, cientista de dados)
• Um projeto concluído
• Cursos acadêmicos

Conhecimento e Experiência:
Os candidatos devem ter experiência com o seguinte:

• Detalhes da implementação do pré-treinamento contrastivo
• Técnicas para combinar embeddings de várias modalidades, como projeções de modelos de linguagem visual
• Ferramentas para dividir documentos, incluindo texto, títulos, figuras, gráficos e tabelas
• Geração aumentada por recuperação de gráficos (RAG) e tecnologia associada, como bases de conhecimento e consultas de Cypher

Experiência prática:
Os candidatos devem demonstrar experiência em ciência de dados, machine learning, deep learning e o setor de telecomunicações. Eles devem ter trabalhado em pelo menos uma aplicação de IA significativa, seja em capacidade comercial ou acadêmica, e explicar seu trabalho. A experiência de qualificação inclui:

• Contribuição ativa de código aberto ou esforços de coordenação na área
• Experiência em orquestrar sistemas de gerenciamento de diálogos e recuperação de informações
• Forte experiência em engenharia de software aplicada, especialmente em microservices e soluções de servidor de inferência

Conhecimento e experiência:
Os candidatos devem ter experiência com o seguinte:

• Forte proficiência em Python, incluindo programação funcional e implantação em servidor
• Experiência em grandes modelos de linguagem como endpoints de inferência, incluindo casos práticos de uso no setor
• É necessária uma forte experiência com LangChain (incluindo LCEL) e LangServe; compreensão de LangGraph, LlamaIndex, Langsmith e NeMo Guardrails útil
• Experiência com orquestração de microsserviços/servidores, incluindo Docker e FastAPI
• Experiência com geração moderna aumentada por recuperação (RAG), incluindo algumas formulações derivadas e prós e contras
• Compreensão do comportamento de agentes, ferramentas e componentes de agentes modulares
• Intuição de métricas de avaliação e expectativas de desempenho

Experiência Prática: 
Os candidatos devem demonstrar experiência significativa na implantação de sistemas de recuperação. Eles devem ter trabalhado em pelo menos uma aplicação de IA significativa, seja em capacidade comercial ou acadêmica, e explicar seu trabalho. A experiência de qualificação inclui:

• Contribuição ativa de código aberto ou esforços de coordenação na área
• Experiência em orquestrar sistemas de gerenciamento de diálogos e recuperação de informações
• Forte experiência em engenharia de software aplicada, especialmente em microservices e soluções de servidor de inferência

Conhecimento e Experiência:
Os candidatos devem ter experiência com o seguinte:

• Forte proficiência em Python, incluindo programação funcional e implantação em servidor
• Experiência em grandes modelos de linguagem como endpoints de inferência, incluindo casos práticos de uso no setor
• Experiência com orquestração de microsserviços/servidores, incluindo Docker e FastAPI
• Sistemas de recuperação, incluindo combinação de embedders e rerankers
• Intuição de métricas de avaliação e expectativas de desempenho
• Plataformas de orquestração de contêineres, especialmente clusters de Kubernetes
• Ferramentas de monitoramento como Prometheus

Experiência prática:
os candidatos devem demonstrar experiência completa e atualizada com Deep Learning, visão computacional e modelos de difusão. Os candidatos ideais devem ter conhecimento prévio do material disponível, bem como funções ativas que os expõem às últimas tendências, inovações e intuições emergentes. As experiências de qualificação incluem:

• Uma função profissional (por exemplo, engenheiro de aprendizado de máquina, cientista de dados) arquitetando projetos de aprendizado profundo que geram imagens
• Contribuição ativa de código aberto ou esforços de coordenação na área
• Cursos acadêmicos sobre o uso de IA para gerar imagens

Conhecimento e experiência:
Os candidatos devem ter experiência com o seguinte:

• Proficiência em Python e PyTorch
• Compreensão ativa e intuitiva de CLIP e AEs/VAEs/GANs/Stable Diffusion multimodal
• Compreensão intuitiva de classificação de áudio/vídeo/imagem/legenda/transcrição
• Base em estatística, incluindo a distribuição normal e a amostragem aleatória

Experiência prática:
os candidatos devem demonstrar experiência completa e atualizada com Deep Learning, grandes modelos de linguagem e sistemas de agentes. Os candidatos ideais devem ter conhecimento prévio do material disponível, bem como funções ativas que os expõem às últimas tendências, inovações e intuições emergentes. As experiências de qualificação incluem:

• Experiência em design de modelos de chat/arquitetura de modelos multimodais
• Experiência com loop de treinamento e as premissas/intuições de pipeline
• Contribuição ativa de código aberto ou esforços de coordenação na área
• Experiência em orquestrar sistemas de gerenciamento de diálogos e recuperação de informações

Conhecimento e experiência:
Os candidatos devem ter experiência com o seguinte:

• Proficiência avançada com Python, suficiente para ler o código-fonte do Hugging Face
• Conforto em Hugging Face, incluindo serialização, lançamento de modelos, HF Transformers etc.
• Experiência no design de sistemas com componentes de LLM
• Familiaridade com PyTorch, deep learning, IA Generativa, modelos multimodais, etc.
• Compreensão de experimentação/implantação com sistemas de LLM, incluindo requisitos de hardware, considerações de segurança e técnicas de avaliação.
• Compreensão intuitiva de classificação de áudio/vídeo/imagem/legenda/transcrição
• Compreensão ativa e intuitiva de CLIP e AEs/VAEs/GANs/Stable Diffusion multimodal
• Experiência em LangChain, incluindo intuições e detalhes dos desenvolvimentos atuais
• Familiaridade com geração aumentada por recuperação (RAG), incluindo LlamaIndex, serviços de VDB, modelos de recuperação e muito mais
• Conforto com as propostas de valor da NVIDIA em torno de LLMs, RAG, NVIDIA NeMo, etc.

Experiência prática:
os candidatos devem demonstrar experiência trabalhando em pelo menos um projeto de simulação de robótica, seja em capacidade comercial ou acadêmica, e conseguir explicar seu trabalho. A experiência de qualificação pode incluir:

• Experiência profissional (por exemplo, engenheiro, cientista de dados)
• Um projeto concluído
• Cursos acadêmicos

Conhecimento e Experiência:
Os candidatos devem ter experiência com o seguinte:

• NVIDIA Isaac Sim
• OpenUSD
• Modelos URDF
• ROS2
• Navegação robótica, ou seja, SLAM
• Geração de Dados Sintéticos

Os candidatos devem demonstrar experiência abrangente e atualizada em redes de Data Center. Os candidatos ideais têm experiência prática em tecnologias avançadas de redes de IA e monitoramento em tempo real.

Experiência prática:

• Experiência profissional (por exemplo, engenheiro de rede, administrador de sistema, engenheiro de infraestrutura, arquiteto de soluções, DevOps, treinadores) implantando, configurando e gerenciando ambientes de rede baseados em Cumulus Linux em Data Centers de produção.
• Experiência com simulação e implantação de cluster NVIDIA Air 

Conhecimentos e experiência:

• Proficiência em administração de Linux (shell, gerenciamento de configuração, solução de problemas) 

• Forte conhecimento de redes Ethernet, switching e roteamento 

• É preferencial ter experiência em hardware de rede NVIDIA 

• Redes de camada 2 e camada 3: VLANs, bridging, trunking, agregação de links (LAG/MLAG), SVIs, VRR, VRF e BGP (incluindo BGP não numerado)

• Virtualização de rede usando VXLAN e EVPN, incluindo modelos de roteamento simétrico e assimétrico 

• Experiência com ferramentas e workflows de automação de rede (por exemplo, Ansible, APIs REST, Zero Touch Provisioning)

• Monitoramento, diagnóstico e solução de problemas em várias camadas de rede, incluindo monitoramento de recursos de hardware e OpenTelemetry 

Preferencial:

• Certificado de curso NVIDIA Cumulus Linux ou certificação em NCP-AIN (NVIDIA Certified Professional IA Networking)

• Envolvimento ativo em projetos de redes de código aberto ou comunidade

Os candidatos devem demonstrar experiência abrangente e atualizada em redes de Data Center. Os candidatos ideais têm experiência prática em tecnologias avançadas de redes de IA e monitoramento em tempo real. 

Experiência prática:

• Funções profissionais, como engenheiro de rede, DevOps, instrutores técnicos ou administradores de sistemas trabalhando com Spectrum-X, Cumulus Linux e redes de data center de IA

• Instrutor certificado Cumulus Linux

• Experiência com simulação e implantação de cluster NVIDIA Air 

• Monitoramento em tempo real e solução de problemas com NVIDIA NetQ, Cumulus Linux CLI e ferramentas de telemetria (ASIC, OTLP, DTS) 

Conhecimentos e experiência:

• Cumulus Linux: Experiência prática com instalação, configuração, upgrades, recursos de camada 2/3, virtualização de rede (VXLAN/EVPN), automação e solução de problemas 
• Redes: Forte conhecimento de Ethernet, switching, roteamento e automação de redes de Data Center 

• Linux: Proficiência em administração de Linux e gerenciamento de ambientes de rede baseados em Linux 

Preferencial:

• Certificado de curso NVIDIA Cumulus Linux ou certificação em NCP-AIN (NVIDIA Certified Professional IA Networking)

• Envolvimento ativo em projetos de redes de código aberto ou comunidade

Os candidatos devem demonstrar experiência abrangente e atualizada em implantação e gerenciamento de infraestrutura de data center de IA, incluindo computação, redes, armazenamento e virtualização. Os candidatos ideais têm experiência prática com tecnologias e workflows avançados de infraestrutura de IA.

Experiência prática:

• Funções profissionais, como administrador de data center, engenheiro de DevOps, administrador de sistema ou engenheiro de infraestrutura de IA trabalhando com ambientes de IA em escala empresarial
• Experiência direta e prática com:
• Implantação e gerenciamento de plataformas de computação de IA (GPUs, CPUs, DPUs) 
• Arquitetura de armazenamento e otimização de desempenho para Data Centers de IA 
• Tecnologias de virtualização (VMs, contêineres, particionamento de GPU com vGPU/MIG) 
• Instalação e gerenciamento do software NVIDIA (drivers de GPU, DOCA, contêineres NVIDIA NGC, IA da NVIDIA Enterprise Suite)
• Uso de ferramentas de gerenciamento, como o NVIDIA Base Command Manager (BCM) para provisionamento e operações de cluster de IA 

Conhecimentos e experiência:

• Redes: conhecimento de Ethernet e InfiniBand, switching, roteamento e automação avançada de redes de Data Center 
• Linux: Proficiência em administração de sistemas Linux (gerenciamento de usuários, configuração, solução de problemas) 
• Armazenamento: Compreensão de sistemas de arquivos, protocolos de armazenamento e testes de desempenho 
• Virtualização: Experiência com VMs, contêineres e virtualização de GPU 
• Conceitos de IA: Familiaridade com Machine Learning, Deep Learning e aplicações comuns de IA

Os candidatos devem demonstrar experiência abrangente e atualizada em operação e gerenciamento de ambientes de Data Center de IA, incluindo computação, redes, armazenamento e virtualização. Os candidatos ideais têm experiência prática com operações e workflows avançados de Data Center de IA.

Experiência prática:

• Experiências profissionais como administrador de Data Center, engenheiro de DevOps, administrador de sistema, engenheiro de infraestrutura de IA ou cientista de dados trabalhando com ambientes de IA em escala empresarial 
• Experiência direta e prática com:
• Operação e gerenciamento de plataformas de computação de IA (GPUs, CPUs, DPUs) 
• Provisionamento e gerenciamento de workloads de IA e virtualização em Data Centers 
• Manutenção de redes InfiniBand e Ethernet para workloads de IA 
• Arquitetura de armazenamento e otimização de desempenho para Data Centers de IA 
• Tecnologias de virtualização (VMs, contêineres, particionamento de GPU) 
• Instalação e gerenciamento de software NVIDIA (drivers de GPU, DOCA, contêineres NGC, AI Enterprise Suite) 
• Uso de ferramentas de gerenciamento como NVIDIA DCGM, UFM e utilitários de gerenciamento BlueField 

Conhecimentos e experiência:

• Redes: conhecimento de Ethernet e InfiniBand, switching, roteamento e automação de redes de Data Center 
• Linux: Proficiência em administração de sistemas Linux (gerenciamento de usuários, configuração, solução de problemas) 
• Armazenamento: Compreensão de sistemas de arquivos, protocolos de armazenamento e testes de desempenho 
• Virtualização: Experiência com VMs, contêineres e virtualização de GPU 
• Conceitos de IA: Familiaridade com Machine Learning, Deep Learning e aplicações comuns de IA

Os candidatos devem demonstrar sólida experiência em infraestrutura de IA empresarial, com experiência prática na implantação de workloads baseados em Kubernetes em servidores bare metal e no gerenciamento de ambientes de GPU NVIDIA em escala.

Experiência prática:

• Profissional de TI com experiência prática em ambientes de Data Center empresariais (servidores, armazenamento, redes, GPUs, Linux)
• Experiência em implantação e gerenciamento de clusters Kubernetes em infraestrutura bare-metal
• Experiência prática com conteêinerização: contêiner e Kubernetes (CNCF)
• Experiência com workloads habilitados por GPU e configuração de GPU NVIDIA em produção
• Familiaridade com os componentes do pacote NVIDIA AI Enterprise (NIM, GPU Operator, DCGM Exporter)
• Experiência em implantação de workloads de IA/ML, de preferência incluindo pipelines de RAG

Conhecimentos e experiência:

• Infraestrutura de Data Center: servidores, armazenamento, redes, GPUs e sistemas operacionais Linux
• Gerenciamento de clusters do Kubernetes e implantações de gráficos Helm
• Operador de GPU NVIDIA e configuração de GPU no Kubernetes
• Monitoramento e observabilidade: DCGM Exporter, Prometheus, Grafana
• Administração de sistemas Linux e gerenciamento de servidores bare-metal
• Compreensão básica de conceitos de IA/ML e workflows de IA empresarial

Preferencial:

• Certificação NCA-AIIO