Nscale

AI Reliability Engineering Manager

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

Менеджер команды AI Reliability Engineering из 8–10 инженеров в регионе EMEA. Отвечает за людей, очередь заявок, ротацию и эскалации, при этом остаётся достаточно близко к GPU, Linux и высокопроизводительным сетям, чтобы вести инциденты.

Задачи

  • Руководить командой из 8–10 AI Reliability Engineers: 1:1, цели, ревью, испытательный срок, развитие и найм
  • Отвечать за очередь заявок: приоритизация, соблюдение SLA, MTTR и бэклог, назначать владельца на каждый тикет у границы SLA и обеспечивать чистые передачи в Engineering и вендорам
  • Организовывать ротацию и on-call команды в рамках модели покрытия EMEA и глобальной передачи follow-the-sun
  • Быть первой точкой эскалации по P1 и клиентским эскалациям, вести post-incident reviews и превращать повторяющиеся инциденты в problem records и долговременные исправления
  • Владеть SOP своего направления и внедрять их в автоматизацию Nscale, чтобы повторяемые исправления требовали меньше ручного труда
  • Поддерживать повседневные отношения с DC Operations, Network Operations, Engineering и командами fleet tooling и automation
  • Еженедельно и точно отчитываться по метрикам команды и объяснять изменения
  • Участвовать в инцидентах и оспаривать диагнозы на уровне GPU, Linux и высокопроизводительных сетей

Требования

  • 6+ лет в инфраструктуре, операциях или support-инженерии в production-средах, включая 2+ года с GPU, HPC или крупными дата-центрами
  • 3+ года управления инженерами в операционной поддержке: ревью, планы развития и управление эффективностью до результата
  • Опыт ведения очереди заявок по SLA и ответственности за метрики
  • Чёткая, конкретная и лаконичная коммуникация в письменной и устной форме
  • Решительность и прагматизм: принимать решения при неполной информации, улучшать процессы без замедления поставки
  • Прочная база в production Linux и сетях, понимание отказов и ремонта GPU-парков, практики ITIL и SRE, достаточный уровень скриптинга для ревью работы инженеров
  • Готовность к эскалациям вне рабочих часов, on-call и поездкам в дата-центры и к клиентам

Условия

  • Руководящая роль в растущем регионе EMEA с перспективой возглавить полноценное направление
  • Работа с парком около 29 000 GPU с планом роста до миллиона к концу 2027 года
  • Гибридный характер роли: управление командой большую часть недели и hands-on участие в инцидентах
  • On-call и эскалации вне рабочих часов, поездки в дата-центры и к клиентам

Навыки

  • GPU
  • Linux
  • HPC
  • networking
  • ITIL
  • SRE
  • nvidia-smi
  • DCGM
  • XID
  • RMA
  • AMD Instinct
  • InfiniBand
  • RoCE
  • NCCL
  • NVLink
  • NVSwitch
  • Slurm
  • Pyxis
  • Enroot
  • GB200
  • GB300 NVL72
  • BMC
  • Redfish
  • MAAS
  • NetBox
  • OpenStack
  • Kubernetes
  • Ansible
  • Terraform
  • VAST
  • Ceph
  • NFS

Похожие вакансии

Associate Principal Maintenance & Support Engineer
UnisysSeniorMilton KeynesОфис
10 нояб.
Senior Manager, Service Reliability/Software Engineering
Santa Monica StudioSeniorLondonОфис
10 нояб.
MLOps Engineer
CyeraSeniorTel AvivОфис
10 нояб.
Experienced Site Reliability Engineer (Cortex)
Palo Alto NetworksSeniorTel AvivОфис
10 нояб.
Engineering Manager (with DevOps background)
PatriannaSeniorУдалённо
9 нояб.
Principal Software Engineer, AI DevOps
Philip Morris InternationalLeadAlbarraqueГибрид
327,660 PLN в год
10 нояб.
Senior Systems & Infrastructure Cloud Architect (Híbrido: On-Prem & Azure)
Paradigma Digital - Nuestras ofertas de EmpleoSeniorMadridГибрид
10 нояб.
Senior Site Reliability Engineer (SRE)
Transition Technologies MS S.A.SeniorWarsawГибрид
9 нояб.
Senior Infrastructure & Security Engineer - Platforms
KoltinSeniorГибрид
9 нояб.
CIAM Operations Support Lead
ScotiabankLeadTorontoОфис
9 нояб.