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