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 решений по облачной инфраструктуре и DevOps в команде NVIDIA Infrastructure Specialist Team. Работа с клиентами и партнёрами над проектированием и внедрением крупномасштабных AI/HPC-систем на базе GPU, Kubernetes и open-source платформ.

Задачи

• Проводить полную валидацию решений на стеке партнёра: тестирование стабильности кластера, приёмка реальных тренировочных нагрузок, многосуточный burn-in против согласованных целей MTBI и goodput
• Сокращать время от передачи кластера до первой production-нагрузки, устраняя дублирующую валидацию и трение при передаче между командами
• Обеспечивать стабильность Day 2 на масштабе флота: мониторинг, логирование, оркестрация нагрузок, обнаружение и устранение сбоев, профилактическое обслуживание, раскатка прошивок
• Оценивать окружения заказчиков и работать с гетерогенными open-платформами: upstream Kubernetes, KubeVirt, Slurm, GPU-aware планировщики, корпоративные сети и хранилища
• Давать консультации и проводить hands-on troubleshooting по всему стеку: bare metal, ОС, софт-стек, контейнерная платформа, сети и хранилища; поддерживать R&D, POC и POV
• Быть техническим лидером по закреплённым аккаунтам: проводить knowledge transfer и enablement, готовить runbooks, onboarding-материалы и best-practice гайды

Требования

• Степень BS/MS/PhD в Computer Science, Electrical/Computer Engineering, Physics, Mathematics или смежной области либо эквивалентный опыт
• 8+ лет в управлении масштабируемыми облачными средами и автоматизацией
• Понимание основ сетей и архитектур дата-центров, hands-on опыт управления HPC/AI-кластерами и инфраструктурой NVIDIA GPU: деплой, драйверы и CUDA toolkit, оптимизация, профилирование нагрузок, troubleshooting CPU/GPU и высокоскоростных интерконнектов
• Обширный опыт с Kubernetes для оркестрации контейнеров, планирования и масштабирования в GPU/HPC-средах, включая внутренности планировщиков, batch-планировщики вроде Slurm и смешанные bare-metal/виртуализированные мультитенантные среды (KubeVirt)
• Глубокое знание Linux (RedHat, Ubuntu), безопасности на уровне ОС и протоколов; опыт с хранилищами Lustre, GPFS, ZFS, XFS и новыми Kubernetes storage-технологиями
• Владение Python и Bash, configuration management и IaC (Ansible, Terraform), GitOps-управление жизненным циклом и обновлением кластеров, observability-стек (Grafana, Loki, Prometheus)
• Опыт измерения и улучшения MTBI и goodput на больших GPU-кластерах: обнаружение сбоев, drain и remediation, определение SLO/error budget, post-incident review; консультативный опыт ведения архитектурных ревью и презентаций для топ-менеджмента

Навыки

• Kubernetes
• KubeVirt
• Slurm
• Prometheus
• Grafana
• Loki
• Cumulus Linux
• SONiC
• Linux
• RedHat
• Ubuntu
• Lustre
• GPFS
• ZFS
• XFS
• Python
• Bash
• Ansible
• Terraform
• GitOps
• CUDA
• NVIDIA GPU
• HPC
• DCGM
• XID
• InfiniBand
• RoCE
• RDMA
• NVLink
• NVSwitch
• CI/CD
• Docker