Senior Software Engineer, SRE and Production Engineering - DGX Cloud

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

Инженер SRE/Production Engineering в команду NVIDIA DGX Cloud, которая строит и эксплуатирует крупномасштабную GPU-инфраструктуру для AI-нагрузок. Задача — автоматизация работы с bare-metal серверами NVIDIA, включая провижининг, валидацию железа, обновления прошивок и управление жизненным циклом кластеров.

Задачи

• Строить автоматизацию для bare-metal провижининга, валидации оборудования, обновлений прошивок и ПО, ремонта и управления жизненным циклом кластеров.
• Разрабатывать инструменты, взаимодействующие с интерфейсами BMC и Redfish для мониторинга здоровья оборудования, управления состоянием серверов и восстановления.
• Сопровождать системы NVIDIA NVL72 и DPU BlueField-3 и новее в облачных и on-premises окружениях.
• Диагностировать сбои на уровне серверов, DPU, GPU, CPU, сетей, Linux и Kubernetes и превращать повторяющиеся проблемы в автоматическое обнаружение и устранение.
• Определять критерии валидации и передачи, чтобы новая ёмкость безопасно и единообразно входила в продакшен.
• Участвовать в on-call дежурствах, инцидент-менеджменте, root-cause анализе и внедрении постоянных решений.
• Взаимодействовать с командами оборудования, сетей, платформы, дата-центров и партнёрами для решения проблем на стыке зон ответственности.

Требования

• 5+ лет разработки ПО для продакшен-инфраструктуры или её эксплуатации, включая существенный опыт работы с bare-metal.
• Сильные навыки Go или Python и опыт поставки продакшен-автоматизации и сервисов.
• Прямой опыт работы с BMC и Redfish в провижининге серверов, проверке здоровья, управлении питанием или диагностике сбоев.
• Практический опыт работы напрямую с GPU NVIDIA, например системами NVL72, и DPU BlueField-3 или новее.
• Опыт с Linux, управлением прошивками и драйверами, network boot и жизненным циклом серверов от провижининга до ремонта.
• Опыт обеспечения надёжности продакшена через on-call, инцидент-менеджмент, observability и долговременные решения.
• Умение отлаживать сбои на уровне оборудования, ОС, сетей и распределённых сервисов.
• Ясная коммуникация и продемонстрированная ответственность за проблемы, затрагивающие несколько команд.
• Степень BS/MS по Computer Science или эквивалентный практический опыт.

Условия

• Базовая зарплата 152 000–241 500 USD для Level 3 и 184 000–287 500 USD для Level 4.
• Право на equity и льготы (benefits).
• Заявки принимаются как минимум до 3 октября 2026 года.
• Вакансия открыта для существующей позиции.

Навыки

• Go
• Python
• BMC
• Redfish
• NVIDIA NVL72
• BlueField-3
• DPU
• Linux
• Kubernetes
• firmware management
• network boot
• observability
• GitOps
• Argo CD
• SLOs
• NVLink
• InfiniBand
• Spectrum-X