Director Site Reliability Engineer, AI Infrastructure

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

Директор по SRE в d-Matrix — построение функции Site Reliability Engineering с нуля для инфраструктуры AI-инференс-чипов: колокация, on-prem лабораторные кластеры, облака и клиентские платформенные сервисы. Роль сочетает руководство командой и hands-on работу над надёжностью, наблюдаемостью и автоматизацией.

Задачи

• Построить и возглавить SRE-функцию с нуля: определить её мандат, утвердить SRE как дисциплину в hardware- и software-инжиниринге, нанять и развивать команду из 1–3 SRE-инженеров
• Руководить выделенной командой Data Center & Lab Technician, задавать приоритеты и операционные стандарты для on-prem и колокационных площадок
• Обеспечивать надёжность 24×7 для колокации, on-prem лабораторных кластеров, облака и клиентских платформенных сервисов, проектировать с учётом доменов отказа, progressive delivery и строгого контроля изменений
• Выстроить SRE-процессы с нуля: определить SLI/SLO и error budgets, спроектировать on-call ротации (включая follow-the-sun), построить фреймворк управления инцидентами и RCA
• Владеть полным стеком наблюдаемости (Prometheus, Grafana, Datadog, Splunk или аналоги), инструментировать метрики, трейсы и логи для видимости SLO и дизайна алертов
• Развивать IaC-first автоматизацию (Terraform, Ansible) и self-healing инфраструктуру: автоматизацию жизненного цикла хостов, авто-ремедиацию флота и AIOps-алертинг
• Отвечать за FinOps и планирование мощностей в облаке, колокации и on-prem, включая атрибуцию затрат, TCO-моделирование и решения о размещении нагрузок
• Возглавить миграцию с ad-hoc JBOD-хранилищ на enterprise-grade shared storage платформу across on-prem, colocation и cloud, включая архитектуру, выбор вендора и дизайн DR

Требования

• Bachelor's или Master's в Computer Science, Electrical Engineering или смежной области; 15+ лет в SRE, инфраструктурном или production-инжиниринге
• 5+ лет руководства SRE- или инфраструктурными командами, включая опыт построения или существенной перестройки функции, а не только управления стабильной командой
• Подтверждённый опыт внедрения SRE как дисциплины в организации, где её не было: определение SLO, создание on-call фреймворков, построение наблюдаемости и культурные изменения в командах с реактивным ops-подходом
• Глубокая экспертиза в Linux: bare-metal операции, enterprise shared storage платформы (NAS/SAN, NFS/SMB в масштабе, архитектуры снапшотов и репликации), интеграция hybrid-cloud хранилищ
• Опыт эксплуатации колокации и on-prem оборудования в масштабе: жизненный цикл серверов, понимание питания и охлаждения, rack-level networking
• Практическая fluency в Infrastructure as Code с Terraform и Ansible в production-масштабе: дизайн модулей, remote state, изоляция окружений, управление изменениями
• Операции с Kubernetes-кластерами: управление жизненным циклом, надёжность нагрузок, хранилища и RBAC в масштабе
• Владение полным стеком наблюдаемости (Prometheus, Grafana, Datadog и/или Splunk или аналоги) для определения SLO, дизайна алертов и качества сквозных сигналов
• Сильное владение Python и/или Go для production-сервисов и автоматизации, безопасно работающей с реальной инфраструктурой
• Навыки коммуникации на уровне руководства: перевод состояния инфраструктуры и операционных рисков в понятные нарративы для топ-менеджмента, включая нетехнических стейкхолдеров
• Способность работать в среде высокой неопределённости и низкой процессности, создавая структуру, а не наследуя её

Навыки

• Linux
• NAS
• SAN
• NFS
• SMB
• Terraform
• Ansible
• Kubernetes
• RBAC
• Prometheus
• Grafana
• Datadog
• Splunk
• Python
• Go
• AWS
• Azure
• GCP
• InfiniBand
• RoCE
• NVLink
• Slurm
• LSF
• FinOps
• ITIL
• HPC