Senior Cloud Infrastructure and DevOps Solutions Architect

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

Senior-архитектор облачной инфраструктуры и DevOps в команде NVIDIA Infrastructure Specialist Team. Роль сочетает глубокую техническую экспертизу с консалтингом: проектирование и сопровождение крупномасштабных AI/HPC-кластеров на базе Kubernetes, от приёмки оборудования до стабильной продакшн-эксплуатации.

Задачи

• Отвечать за полную валидацию решения на стеке партнёра: кластерное тестирование стабильности, приёмка реальных тренировочных нагрузок, многосуточный burn-in на нескольких стойках с целевыми MTBI и goodput.
• Сокращать время от передачи кластера до первой продакшн-нагрузки, работая с командами bring-up оборудования, managed-сервисов и операций партнёра.
• Отвечать за стабильность Day 2 на масштабе флота: мониторинг, логирование, оркестрация нагрузок, обнаружение и устранение сбоев, профилактическое обслуживание, проактивные кампании по прошивкам и field-notice.
• Оценивать окружения заказчиков и работать с гетерогенными открытыми платформами: upstream Kubernetes, KubeVirt, Slurm, GPU-aware планировщики, интеграция с сетями и хранилищами enterprise-уровня, запуск сторонних ISV-нагрузок.
• Давать консультации и проводить hands-on troubleshooting по всему стеку: bare metal, ОС, программный стек, контейнерная платформа, сети и хранилища; поддерживать R&D, POC и POV новых фич, архитектур и апгрейдов.
• Быть техническим лидером по закреплённым аккаунтам: проводить структурированный knowledge transfer и enablement, готовить runbook'и, материалы онбординга и best-practice гайды.

Требования

• BS/MS/PhD в Computer Science, Electrical/Computer Engineering, Physics, Mathematics или смежных областях, либо эквивалентный опыт.
• 8+ лет в управлении масштабируемыми облачными средами и в ролях automation engineering.
• Экспертиза в Cloud, HPC и GPU: понимание основ сетей и архитектур дата-центров, hands-on опыт управления HPC/AI-кластерами и инфраструктурой NVIDIA GPU — деплой, управление драйверами и CUDA toolkit, оптимизация, профилирование нагрузок и troubleshooting CPU, GPU и высокоскоростных интерконнектов.
• Kubernetes и AI/ML-нагрузки: обширный опыт Kubernetes для оркестрации контейнеров, планирования ресурсов и масштабирования в GPU-ускоренных и HPC-средах, включая внутренности планировщиков, batch-планировщики вроде Slurm и смешанные bare-metal/виртуализированные (KubeVirt) multi-tenant среды.
• Linux и системы хранения: глубокое знание Linux (RedHat, Ubuntu), безопасности на уровне ОС и протоколов; опыт с Lustre, GPFS, ZFS, XFS и новыми Kubernetes-хранилищами.
• Автоматизация, GitOps и observability: владение Python и Bash, configuration management и IaC (Ansible, Terraform), GitOps-управление жизненным циклом и апгрейдами кластеров на больших флотах, стеки наблюдаемости (Grafana, Loki, Prometheus) для мониторинга, логирования и отказоустойчивых систем.
• Надёжность флота и работа с заказчиками: умение измерять и улучшать MTBI и goodput на больших GPU-кластерах — обнаружение сбоев, drain и remediation, определение SLO/error budget и post-incident review; сильный консалтинговый опыт, ведение архитектурных ревью и презентации топ-менеджменту.

Навыки

• Kubernetes
• KubeVirt
• Slurm
• Prometheus
• Grafana
• Loki
• Cumulus Linux
• SONiC
• Linux
• RedHat
• Ubuntu
• Lustre
• GPFS
• ZFS
• XFS
• Python
• Bash
• Ansible
• Terraform
• GitOps
• CI/CD
• CUDA
• NVIDIA GPU
• DCGM
• RDMA
• InfiniBand
• RoCE
• NVLink
• NVSwitch
• DPU
• DOCA
• NVIDIA Base Command Manager
• Spectrum-X