Regístrate gratis para aplicar. Auto-aplicar con IA es un servicio patrocinado.
Buscamos un ingeniero para desarrollar soluciones en la intersección entre los gráficos en tiempo real y el aprendizaje automático. La persona seleccionada participará en el desarrollo y optimización de pipelines gráficos, la integración de modelos de inteligencia artificial y la mejora del rendimiento de aplicaciones visuales interactivas, colaborando con equipos especializados en gráficos, plataformas y controladores.
Responsabilidades:
- Desarrollar y optimizar componentes de renderizado y de inferencia de modelos de machine learning para aplicaciones gráficas en tiempo real.
- Integrar modelos de inteligencia artificial, como superresolución, eliminación de ruido y supresión de artefactos, en pipelines de renderizado.
- Optimizar el rendimiento de cargas de trabajo sobre GPU, mejorando la latencia, el uso de memoria y el rendimiento general.
- Analizar y perfilar aplicaciones utilizando herramientas de depuración y análisis de rendimiento para GPU.
- Evaluar la calidad visual de los resultados mediante métricas objetivas y perceptuales, así como herramientas de regresión visual.
- Desarrollar código limpio, mantenible y fácilmente testeable, siguiendo buenas prácticas de ingeniería.
- Colaborar con equipos de gráficos, machine learning y plataformas para diseñar e implementar soluciones de alto rendimiento.
Requisitos:
- Más de 4 años de experiencia en desarrollo de software con C++. Para perfiles especializados en machine learning, se requiere dominio de Python y conocimientos prácticos de C++.
- Conocimientos sobre arquitectura y funcionamiento de GPU, incluyendo pipelines gráficos, sincronización, gestión de memoria y optimización del rendimiento.
- Experiencia avanzada en, al menos, una de las siguientes áreas:
- Gráficos en tiempo real, utilizando DirectX 12, Vulkan, desarrollo de shaders (HLSL o GLSL), técnicas de renderizado y herramientas de depuración y análisis como RenderDoc, PIX o Radeon GPU Profiler.
- Machine Learning aplicado a imagen, utilizando PyTorch, modelos de superresolución, eliminación de ruido o supresión de artefactos, así como despliegue y optimización de inferencias sobre GPU mediante ONNX Runtime, TensorRT o técnicas de cuantización.
- Conocimientos funcionales del área complementaria, con capacidad para integrar modelos de IA en pipelines gráficos o comprender la integración de componentes de machine learning en sistemas de renderizado.
- Experiencia práctica analizando, perfilando y optimizando aplicaciones de alto rendimiento en entornos reales.
