Senior Engineer, NCX

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

Senior-инженер в команду DSX для поддержки операционной готовности инфраструктуры NVIDIA Cloud Partners. Роль на стыке ускоренных вычислений, облачной инфраструктуры и production-эксплуатации крупномасштабных AI-кластеров.

Задачи

• Руководить подготовкой NCP к Day 2 операциям: системы, процедуры, автоматизация и операционные практики для управления ускоренной инфраструктурой NVIDIA после развёртывания
• Строить непрерывную валидацию инфраструктуры: проверка здоровья GPU, CPU, storage и сети в крупномасштабных AI-кластерах для выявления деградации до влияния на обучение и инференс
• Внедрять observability и операционную телеметрию: мониторинг, алертинг, дашборды и сигналы по compute, GPU, InfiniBand/RoCE, storage, Kubernetes и AI-нагрузкам
• Разрабатывать автоматическое обнаружение и устранение неисправностей: workflows для детекта, изоляции, drain, ремонта, валидации и возврата узлов в строй
• Управлять жизненным циклом флота GPU: драйверы и прошивки NVIDIA, обслуживание нод Kubernetes, патчинг ОС, управление конфигурациями, апгрейды и выявление дрейфа конфигураций
• Переводить референсные архитектуры NVIDIA NCP в production-практики, критерии валидации, runbook'и, автоматизацию и измеримые операционные стандарты
• Определять операционное здоровье и готовность: health-сигналы, SLO, ключевые метрики, критерии приёмки и механизмы постоянной валидации
• Создавать переиспользуемые операционные фреймворки: инструменты, автоматизацию, гайды, runbook'и, playbook'и и референсные реализации для разных окружений NCP

Требования

• BS, MS или PhD в Computer Science, Computer/Electrical Engineering или смежной технической области либо эквивалентный опыт
• 8+ лет опыта в инфраструктурной инженерии, SRE, DevOps, cloud platform engineering, системной инженерии или похожих ролях с крупномасштабными production-окружениями
• Сильный опыт эксплуатации Linux-распределённых систем и облачной инфраструктуры в production
• Глубокое понимание Kubernetes, контейнеров, планирования кластеров и жизненного цикла больших многонодовых окружений
• Понимание production observability: метрики, логирование, алертинг, дашборды, health checks и работа по SLA
• Опыт создания автоматизации для управления жизненным циклом инфраструктуры, обнаружения сбоев, ремедиации, апгрейдов и управления конфигурациями
• Сильные знания сетей и опыт траблшутинга сложных распределённых систем на уровнях compute, network и storage
• Опыт программирования и автоматизации на Python, Go, shell scripting или похожих языках

Условия

• Базовая зарплата определяется с учётом локации, опыта и оплаты сотрудников на аналогичных позициях
• Для Польши: диапазон базовой зарплаты 292 500 PLN – 507 000 PLN для Level 4 и 375 000 PLN – 650 000 PLN для Level 5

Навыки

• Linux
• Kubernetes
• containers
• GPU
• InfiniBand
• RoCE
• storage
• Python
• Go
• shell scripting
• Prometheus
• Grafana
• OpenTelemetry
• Alertmanager
• CUDA
• NVLink
• NVSwitch
• DGX
• HGX
• GPU Operator
• Network Operator
• SLO
• observability
• automation
• configuration management