Senior Engineer, Machine Learning

About Analog Devices Analog Devices, Inc. (NASDAQ: ADI ) is a global semiconductor leader that bridges the physical and digital worlds to enable breakthroughs at the Intelligent Edge. ADI combines analog, digital, AI, and software technologies into solutions that combat climate change, reliably connect humans and the world, and help drive advancements in automation and robotics, mobility, healthcare, energy and data centers.

With revenue of more than $11 billion in FY25, ADI ensures today's innovators stay Ahead of What's Possible. Learn more at www.analog.com  and on LinkedIn and X . Engineering foundations                                                                                                                                                                     - 5+ years production infrastructure; strong Python plus one systems language (Go/Rust/C++)                                                                                                 - Expert Linux, networking, and debugging across the full stack                                                                                       - Infrastructure-as-code (Terraform/Bicep) and containers, including GPU-enabled runtimes                                                                                                                                                                                                                                                                                               Cloud & orchestration                                                                                                                                                                       - Production cloud experience (Azure preferred): IAM, storage, managed compute, cost control                                                                                                - Kubernetes with GPU workloads: scheduling, autoscaling, quotas                                                                                                                                                                                                                                                                                                                        MLOps                                                                                                                                                                                       - Distributed training infrastructure: multi-node GPU, checkpointing, fault recovery   - Experiment tracking, model registry, dataset/artifact versioning                                                                                                                          - ML CI/CD with automated evaluation gates and rollback              - Data pipelines for large multimodal datasets (video, tactile, time series)                                                                                                                - Observability: GPU utilization, drift, data quality                                                                                                                                           Edge deployment                                                                                                                                                                             - Model optimization for constrained targets: quantization, ONNX, TensorRT   - Deployment to embedded hardware (Jetson or similar) with OTA updates and rollback                                                                                                         - Awareness of latency constraints in closed-loop control                                                                                                                                                                                                                         Collaboration