Senior Production Engineer - DGX Cloud

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

Senior Production Engineer в команду DGX Cloud: разработка и эксплуатация production-сервисов, автоматизации и инфраструктуры для AI-инференса и агентных нагрузок на базе Kubernetes в облаках и on-prem.

Задачи

• Разрабатывать и эксплуатировать production-софт, автоматизацию и инструменты для control plane сервисов, деплоя моделей и инференс-нагрузок в DGX Cloud
• Повышать надёжность инференс-платформ и сервисов (NVIDIA Cloud Functions, эндпоинты на SGLang и vLLM, сервисы на NVIDIA Dynamo) через health-валидацию, безопасные роллауты, observability и восстановление
• Улучшать доступность эндпоинтов, маршрутизацию инференса, управление ёмкостью и здоровьем сервисов
• Использовать infrastructure as code и GitOps для деплоя, конфигурации, валидации, апгрейда и восстановления сервисов
• Строить процессы включения сервисов, релизов моделей, передачи, деприкейта и операционной поддержки; заменять ручную работу автоматизацией
• Определять и инструментировать SLI/SLO для инференса и control plane, использовать error budgets для улучшения надёжности
• Участвовать в on-call и инцидент-менеджменте, устранять сбои в маршрутизации, рантаймах моделей, софте и инфраструктуре
• Взаимодействовать с командами моделей, платформы, storage, networking, security и GPU-инфраструктуры

Требования

• 8+ лет опыта разработки или эксплуатации production-сервисов и крупномасштабных распределённых систем, включая автоматизацию
• Сильные навыки программирования на Python, Go или аналогичном языке, опыт разработки инструментов для production-операций
• Опыт с infrastructure as code, configuration management или GitOps, построение автоматизации повторяемых деплоев
• Сильные знания Linux, Kubernetes, контейнеров, облачной инфраструктуры, распределённых систем и сетей; умение диагностировать сбои в production
• Понимание принципов SRE: SLI, SLO, error budgets, инцидент-респонс, снижение операционного toil
• Опыт инструментирования сервисов и работы с метриками, логами и трейсами
• Чёткая техническая коммуникация и умение работать между командами
• BS/MS по Computer Science или эквивалентный опыт

Условия

• Базовая зарплата 184 000–287 500 USD для Level 4 и 224 000–356 500 USD для Level 5
• Право на equity и бенефиты
• Приём заявок минимум до 6 октября 2026

Навыки

• Python
• Go
• Linux
• Kubernetes
• containers
• AWS
• Azure
• Google Cloud
• GitOps
• infrastructure as code
• Terraform
• Argo CD
• CI/CD
• SGLang
• vLLM
• PyTorch
• TensorRT-LLM
• NVIDIA Dynamo
• CUDA
• NCCL
• observability
• SLI
• SLO