GPU Software Engineer (Graphics / ML)

Projektbeschreibung

Wir suchen hybride Ingenieure - Echtzeitgrafik UND maschinelles Lernen in einer Person - um einem GPU-Softwareteam beizutreten, das an der Schnittstelle von Rendering und Bild-ML (Upscaling, Denoising, Artefaktsuppression für interaktive visuelle Anwendungen) arbeitet. Die Arbeit umfasst Rendering-Pipelines, ML-Modellintegration und GPU-Leistungsoptimierung in Zusammenarbeit mit Grafik- und Treiberteams. Reine Grafikingenieure ohne ML-Projekterfahrung und ML-Ingenieure ohne GPU/Grafikprogrammiererfahrung sind für diese Rolle nicht geeignet.

Verantwortlichkeiten

• Entwickeln und Optimieren von Rendering- und ML-Inferenzkomponenten für Echtzeit-Visuellen Pipelines (DX12, Vulkan, ONNX-basierte Stacks).
• Profilierung von GPU-Workloads und Abstimmung auf Latenz, Speicher und Durchsatz.
• Integration von ML-Modellen (Super-Resolution, Denoising) in Grafikpipelines.
• Bewertung der Ausgabequalität mithilfe objektiver und perceptueller Metriken (PSNR/SSIM, LPIPS) und visueller Regressionstools.
• Sauberen, testbaren, reproduzierbaren Code schreiben; Zusammenarbeit mit Grafik-, ML- und Plattformteams.

Fähigkeiten

Must have

• 4+ Jahre professionelle Softwareentwicklungserfahrung (C++ primär; starkes Python auf der ML-Seite).
• Solide GPU-Grundlagen: Pipeline, Synchronisation und Speichermodelle, Leistungsabgleich.
• BEIDE Bereiche unten sind obligatorisch - ein Profil, das nur einen von ihnen abdeckt, ist kein Match:
• (a) GPU / Grafikprogrammierung: praktische Produktionserfahrung mit DX12 und/oder Vulkan (oder CUDA/HIP GPU-Compute), Shader/Kern-Autorenschaft (HLSL/GLSL/Compute), GPU-Debugging und -Profilierung (RenderDoc, PIX, Radeon GPU Profiler, Nsight).
• (b) ML bei Bildern: praktische Projekterfahrung mit PyTorch (oder gleichwertig) bei Vision-Modellen - Super-Resolution, Denoising, Artefaktsuppression, Segmentierung oder vergleichbare CNN/Transformer-Arbeiten - einschließlich Inferenzbereitstellung und -optimierung auf GPU (ONNX Runtime oder TensorRT, Quantisierung).
• Die Tiefe kann asymmetrisch sein - tiefes Fachwissen in einem Bereich plus solide praktische Projekterfahrung im anderen ist akzeptabel - aber echte Projekterfahrung in BEIDEN ist erforderlich. Grafikorientierte Profile ohne ML-Projektarbeit und ML-Profile ohne GPU/Grafikprogrammierung (tabellarische/NLP/LLM-nur Datenwissenschaft) qualifizieren sich nicht.
• Praktische Leistungsprofilierung und Optimierung von realen Workloads.

Nice to have

• Raytracing (DXR/VKRT), Spiel-Engines (Unreal, Unity) oder Rendering-Middleware.
• Funktionen der Farb- und Bildverarbeitung (sRGB vs linear, HDR, Resampling/Filtering).
• CUDA/HIP-Compute-Erfahrung.
• Render-Fidelity-Tests, SSIM/PSNR-basierte visuelle Regressionstools.
• CI-gesteuerte Entwicklung, automatisierte Testumgebungen.