les offres de stages

Déploiement et configuration de systèmes de fichiers parallèles (BeeGFS Vs Lustre,)

Mise en place de pipelines de données haute performance pour l'entraînement multi-GPU

Utilisation de NVIDIA DALI et d'autres accélérateurs de data loading

Benchmarking du stockage (IOPS, débit séquentiel, métadonnées) avec fio, ior, mdtest

Étude de l'impact du stockage sur les performances d'entraînement (data loading bottleneck, caching local NVMe)

Mise en place de stratégies de tiering (cache GPU/NVMe ↔ stockage parallèle ↔ stockage objet)

Rédaction de documentation technique et de guides utilisateurs

Solides bases en systèmes Linux et en administration système

Bonne maîtrise de Python et des outils de scripting (Bash)

Intérêt pour les systèmes distribués et le stockage haute performance

Connaissances en réseau (TCP/IP, RDMA, InfiniBand) appréciées

Notions de machine learning / deep learning (pour comprendre les besoins des workloads)

Familiarité avec les conteneurs (Docker, Apptainer) appréciée

Curiosité, autonomie, rigueur, esprit d'équipe

Un environnement matériel haut de gamme pour expérimenter sans contrainte

Un encadrement par une équipe d'experts infrastructure

Une montée en compétence rapide sur les outils standards de l'industrie HPC/IA

Des projets concrets, à forte valeur ajoutée

Perspective d'embauche à l'issue du stage pour les profils confirmés

Préparation et exécution de jobs de calcul sur cluster GPU

Mise en œuvre de workloads d'entraînement multi-GPU (PyTorch DDP, FSDP, DeepSpeed, NeMo)

Lancement et suivi de jobs via SLURM (scripts sbatch, gestion des ressources, files d'attente)

Utilisation de conteneurs HPC (Enroot/Pyxis, Apptainer) pour packager les environnements

Exécution de jobs d'inférence GPU (vLLM, Triton, TGI)

Benchmarking et optimisation des performances (throughput, latence, scaling multi-GPU)

Construction de scripts et templates de jobs réutilisables pour nos clients

Rédaction de documentation technique et de guides utilisateurs

Solides bases en machine learning et deep learning

Bonne maîtrise de Python et PyTorch (ou TensorFlow)

Expérience pratique sur l'entraînement de modèles (projets, recherche, hackathons)

À l'aise sous Linux et en ligne de commande

Connaissance des LLM et de l'écosystème Hugging Face appréciée

Curiosité, autonomie, rigueur, esprit d'équipe

Un environnement matériel haut de gamme pour expérimenter sans contrainte

Un encadrement par une équipe d'experts infrastructure

Une montée en compétence rapide sur les outils standards de l'industrie IA

Des projets concrets, à forte valeur ajoutée

Perspective d'embauche à l'issue du stage pour les profils confirmés