Senior Engineer, NCX

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

Инженер по эксплуатации инфраструктуры NVIDIA Cloud Partner (NCP) в команде DSX. Задача — вывести партнёров за пределы первичного развёртывания кластеров в продвинутые Day 2 операции: наблюдаемость, валидация, lifecycle-менеджмент и автоматическое восстановление крупномасштабной GPU-инфраструктуры.

Задачи

• Руководить подготовкой NCP к Day 2 операциям: системы, процедуры, автоматизация и методы эксплуатации ускоренной инфраструктуры NVIDIA
• Строить непрерывную валидацию инфраструктуры: проверка здоровья GPU, CPU, storage и сети в крупных AI-кластерах
• Внедрять наблюдаемость и операционную телеметрию: мониторинг, алертинг, дашборды по compute, GPU, InfiniBand/RoCE, storage, Kubernetes и AI-нагрузкам
• Разрабатывать автоматическое обнаружение и восстановление: detect, isolate, drain, repair, validate и возврат инфраструктуры в строй
• Управлять жизненным циклом парка GPU: драйверы и прошивки NVIDIA, обслуживание узлов Kubernetes, патчинг ОС, управление конфигурацией и дрейфом
• Переводить референсные архитектуры NVIDIA NCP в производственные практики, критерии валидации, runbook'и и автоматизацию
• Определять операционное здоровье и готовность: health-сигналы, SLO, метрики и механизмы постоянной валидации
• Создавать переиспользуемые операционные фреймворки: инструменты, автоматизацию, гайды, runbook'и и референсные реализации

Требования

• Степень BS/MS/PhD в Computer Science, Computer/Electrical Engineering или смежной области либо эквивалентный опыт
• 8+ лет опыта в инфраструктурном инжиниринге, SRE, DevOps, cloud platform engineering или системном инжиниринге крупных production-сред
• Сильный опыт эксплуатации Linux-распределённых систем и облачной инфраструктуры в production
• Глубокое понимание Kubernetes, контейнеров, планирования кластеров и жизненного цикла больших многоузловых сред
• Понимание production-наблюдаемости: метрики, логирование, алертинг, дашборды, health checks, работа по SLA
• Опыт автоматизации lifecycle-менеджмента инфраструктуры, обнаружения сбоев, восстановления, апгрейдов и управления конфигурацией
• Сильные основы сетей и опыт траблшутинга сложных распределённых систем на уровнях compute, network и storage
• Опыт программирования и автоматизации на Python, Go, shell scripting или аналогичных языках

Условия

• Базовая зарплата определяется по локации, опыту и зарплатам сотрудников на схожих позициях
• Для Польши: диапазон 292 500–507 000 PLN для Level 4 и 375 000–650 000 PLN для Level 5

Навыки

• Linux
• Kubernetes
• containers
• GPU
• InfiniBand
• RoCE
• Prometheus
• Grafana
• OpenTelemetry
• Alertmanager
• Python
• Go
• shell scripting
• CUDA
• NVLink
• NVSwitch
• DGX
• HGX
• GPU Operator
• Network Operator