Principal Software Engineer, At-Scale Reliability and Fleet Intelligence — CSP Engagements

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

Principal Software Engineer в команду CSP Engagements — технический фокус по надёжности флота на масштабе, работа напрямую с инженерными командами ключевых CSP/hyperscale-заказчиков для достижения целевого MTBI платформ NVIDIA в продакшене.

Задачи

• Вести направления работ по надёжности с инженерными командами CSP — обеспечивать общее понимание методологии измерения MTBI, классификации отказов и архитектуры health monitoring
• Собирать и обобщать данные о надёжности флота CSP — выявлять паттерны отказов, общие для нескольких заказчиков, и продвигать улучшения в команды firmware, драйверов и аппаратного обеспечения NVIDIA
• Определять единую методологию измерения MTBI, работающую в разных средах мониторинга и операционных практиках CSP
• Проводить анализ паттернов отказов на масштабе флота статистическими методами (Pareto, survival analysis, Weibull) для классификации отказов как системных, средовых или конфигурационных
• Вести архитектуру интеграции мониторинга здоровья флота — согласовывать health-агенты, телеметрию и отчётность NVIDIA с операционными процессами и автоматизацией CSP
• Определять среду burn-in тестирования надёжности и критерии сертификации кластеров совместно с командами качества, валидируя критерии с заказчиками
• Совместно с CSP обеспечивать завершение интеграционных работ по надёжности (развёртывание health monitoring, телеметрический пайплайн, настройка алертинга) до запуска на масштабе
• Разрабатывать предиктивные модели отказов на основе телеметрии флота и валидировать их эффективность в средах заказчиков

Требования

• 15+ лет опыта в системном ПО на масштабе дата-центров или в reliability engineering с фокусом на задачи масштаба
• Степень BS или MS в Computer Science, Electrical Engineering, Statistics или смежной области (или эквивалентный опыт)
• Глубокая экспертиза в multi-NUMA, rack-scale системном ПО и firmware
• Статистические методы анализа отказов: расчёт MTBF/MTBI, Pareto-анализ, классификация root cause
• Опыт с телеметрией и observability на уровне флота: time-series базы данных, anomaly detection, health scoring, корреляция событий
• Понимание режимов отказов аппаратного обеспечения в крупномасштабных GPU/accelerator-развёртываниях — умение классифицировать и приоритизировать по доменам compute, interconnect, memory, power и thermal
• Опыт определения или эксплуатации burn-in, stress-тестирования или фреймворков сертификации сложных аппаратных систем
• Знакомство с predictive maintenance или подходами anomaly detection для данных о здоровье флота
• Сильные коммуникации — умение представлять статистические результаты по надёжности как глубоко технической аудитории, так и руководству
• Подтверждённый опыт кросс-функциональных улучшений в командах hardware, firmware и software без прямых полномочий

Условия

• Базовая зарплата 272,000 USD - 431,250 USD в год
• Право на equity и льготы
• Заявки принимаются как минимум до 26 октября 2026

Навыки

• MTBF
• MTBI
• Pareto analysis
• survival analysis
• Weibull
• time-series databases
• anomaly detection
• health scoring
• event correlation
• multi-NUMA
• rack-scale system software
• firmware
• GPU
• NVLink
• Xid errors
• CPER
• telemetry
• observability
• predictive maintenance
• burn-in testing
• stress testing