Principal Software Engineer, Distributed Query Engines - Analytics and Data Intelligence

优缺点分析

角色解读

• 作为Principal级别专家，可向首席工程师（Principal/Chief Engineer）或技术架构师方向发展
• 也可转型为技术团队负责人（Engineering Manager），带领底层基础架构或AI基础设施团队
• 负责开发和维护基于GPU的高性能数据处理C++和CUDA库，优化数据加载、解析、聚合等底层操作
• 与全球团队合作，推动分布式查询引擎和Lakehouse架构的端到端性能优化
• 支持中国区合作伙伴的技术集成、PoC验证与生产环境问题解决
• 精通C++和CUDA编程，具备15年以上系统软件、分布式数据平台或数据库内核开发经验
• 深入理解分布式存储、高性能I/O、Lakehouse架构（如Iceberg、Parquet）及GPU加速计算原理
• 具备跨栈性能调优能力，能够诊断并解决复杂分布式系统中的底层性能瓶颈

申请策略

• 提前了解NVIDIA ADI团队的最新开源项目与技术路线图，准备针对性的技术见解
• 关注公司文化中对多元包容和创新的强调，在面试中展现技术热情与团队协作精神
• 突出在C++/CUDA底层库开发、分布式查询引擎或数据库内核方面的核心贡献与代码量级
• 量化在性能优化（如I/O、内存管理、并发）方面的具体成果，如延迟降低或吞吐量提升的百分比
• 展示在开源社区（如SiriusDB、RAPIDS）的贡献记录或技术博客，体现技术影响力
• 深入了解RAPIDS cuDF生态及Lakehouse架构（Iceberg/Parquet）的底层实现原理
• 补充跨栈（存储、网络、计算）性能调优的实战经验，熟悉GPU内存层级与CUDA线程调度

面试指南

• 采用STAR法则，重点突出“问题复杂度”、“底层技术原理（如GPU内存层级、CUDA线程调度）”、“量化收益”以及“跨团队协作的领导力”
• 对于架构设计类问题，先阐述业务场景与约束条件，再对比不同技术方案的优劣，最后说明最终选型理由及落地效果
• 请详细描述你过去在C++/CUDA库开发中解决过的最复杂的内存管理或并发优化问题
• 在分布式查询引擎中，你是如何优化跨节点的数据移动和I/O路径的？
• 面对Lakehouse架构（如Iceberg/Parquet），GPU加速处理面临哪些独特挑战，你如何解决？
• 请分享一个你主导的跨团队技术交付项目，你是如何定义技术方向并推动落地的？
• 复习CUDA编程模型、GPU内存架构及分布式数据库内核原理，准备底层性能调优的实战案例
• 熟悉NVIDIA RAPIDS生态及主流开源数据格式（Parquet/Iceberg）的底层实现与优化策略