Andromeda предоставя изчислителни ресурси с GPU за екипи, които разработват и изпълняват задачи за машинно обучение. Услугата ѝ осигурява достъп при поискване до клъстери с ускорители NVIDIA H100, H200 и B200 за експерименти, обучение на модели и инференция, с оркестрация чрез Slurm, Kubernetes или SSH. Клиентите могат да избират гъвкави варианти за използване и съхранение, а екипът на Andromeda предоставя DevOps поддръжка. Компанията управлява и GPUList.ai — пазар за GPU от трети страни. В наличния профил не са посочени контекстът на наемане или подробности за екипа.
Старши инженер по надеждността на клиентските системи – Европа, дистанционна работа
Отстранявайте инциденти при клиенти в среди с Linux, Kubernetes и GPU клъстери и помагайте за надеждността на изчислителната инфраструктура на Andromeda за изкуствен интелект. Работата включва реакция при инциденти, координация с доставчици, мониторинг и автоматизация на оперативни задачи.
Описание
- Управлявайте проблемите на клиентите от възпроизвеждането им през разрешаването и ескалацията до приключването им
- Диагностицирайте проблеми с Linux, свързани с процеси, мрежи, съхранение, журнали на ядрото, конкуренция за ресурси, systemd и journald
- Разследвайте проблеми с Kubernetes, свързани с подове, състояние на възли, планиране и ограничения на ресурсите
- Отстранявайте проблеми с GPU, като откази на драйвери и плъгини за устройства, грешки XID, термично ограничаване на производителността, карантиниране или освобождаване на възли и откази на задачи в множество възли
- При необходимост ескалирайте проблемите и предоставяйте доказателства
- Участвайте в дежурства 24/7
- Реагирайте на сигнали и прекъсвания, докладвани от клиенти, оценявайте въздействието, определяйте сериозността и ангажирайте подходящите екипи
- Информирайте клиентите за състоянието и нерешените въпроси по време на инциденти
- Документирайте инцидентите и превръщайте изводите в оперативни инструкции, сигнали или корекции
- Установявайте дали проблемите произхождат от доставчика, Andromeda или клиента
- Създавайте заявки за поддръжка към доставчиците на изчислителни ресурси и проследявайте изпълнението им
- Следете повтарящи се откази при доставчиците и споделяйте тенденциите с отговорните за избора на доставчици
- Автоматизирайте ръчни проверки с Python или Bash
- Разработвайте и подобрявайте мониторинга на състоянието на клъстерите и възлите, телеметрията на GPU, таблата и сигналите, по които може да се предприеме действие
- Поддържайте актуални оперативните инструкции и документацията за клиенти
Изисквания
- Практически опит в отстраняването на проблеми през командния ред на Linux, включително журнали, процеси, мрежи и дискове
- Работни познания за подове, възли, внедрявания, услуги и планиране в Kubernetes, както и за разследване на откази
- Умение за автоматизиране на повтарящи се задачи с Python или Bash
- Отлични умения за техническо писане и способност за ясно обяснение на проблеми пред клиенти
- Добра преценка при определяне на приоритети, ескалация и комуникация под напрежение
- Готовност за участие в дежурства 24/7
- Предимство е производственият опит с NVIDIA GPU, драйвери, CUDA, DCGM и плъгина за устройства на Kubernetes
- Предимство е опитът с високоскоростни мрежи InfiniBand, RoCE или NCCL
- Предимство е опитът с HPC или Slurm
- Предимство е техническият опит в работа с клиенти в инженерна поддръжка, техническо управление на клиентски сметки, решения или професионални услуги
- Предимство е познаването на Prometheus, Grafana, Datadog или сходни инструменти
- Предимство е опитът с инфраструктура като код чрез Terraform, Ansible или Helm
- Интерес към инфраструктурата за изкуствен интелект и мащабни задачи за обучение
Придобивки
- Значителен дялов капитал
- Здравно, стоматологично и зрително покритие за служителите и лицата на тяхна издръжка
- План 401(k)
- Неограничен платен отпуск
- Възможност за работа в бързоразвиваща се компания, фокусирана върху инфраструктура за изкуствен интелект