d-Matrix vyvíjí technologie pro inferenci umělé inteligence v datových centrech, jejichž cílem je zvýšit efektivitu výpočtů pomocí výpočtů v paměti. Společnost založená v roce 2019 kombinuje návrh specializovaných obvodů, nástroje strojového učení, software, algoritmy a propojení na úrovni chipletů, aby řešila problém integrace paměti a výpočtů pro moderní pracovní zátěže umělé inteligence.
Ředitel pro spolehlivost webů, AI infrastruktura — d-Matrix, hybridní práce v Santa Claře
Vedení organizace SRE společnosti d-Matrix pro infrastrukturu inference generativní AI. Odpovědnost za spolehlivost, observabilitu, automatizaci, úložiště a hybridní cloudový i lokální provoz.
Spojené státy
Kalifornie195 000 $ – 285 000 $ / rok
HybridněPlný úvazekVedoucíPožadovaný Jazyk: angličtinaDevOps inženýrPopis
- Vytvořit a vést organizaci d-Matrix pro spolehlivost webů.
- Vytvořit mandát SRE a zavést postupy pro spolehlivost v oblasti hardwarového a softwarového inženýrství.
- Najímat, rozvíjet a udržet tým jednoho až tří inženýrů SRE.
- Řídit tým techniků datových center a laboratoří a stanovovat provozní priority a standardy.
- Odpovídat za nepřetržitou spolehlivost v kolokačních zařízeních, lokálních laboratorních clusterech, cloudových prostředích a zákaznicky orientovaných platformových službách.
- Navrhovat odolné systémy s ohledem na domény selhání, progresivní nasazování a důslednou kontrolu změn.
- Definovat indikátory úrovně služeb, cíle úrovně služeb a rozpočty chyb.
- Vytvářet procesy pohotovostí včetně modelu follow-the-sun s rozšiřováním globálního provozu.
- Vyvinout rámce pro reakci na incidenty a analýzu kořenových příčin.
- Vést observabilitu metrik, trasování a logů.
- Rozvíjet automatizaci založenou na nástrojích Terraform a Ansible včetně samoopravné infrastruktury.
- Implementovat automatizaci životního cyklu hostitelů, nápravu stavu celé flotily a upozornění využívající AIOps.
- Řídit FinOps a plánování kapacity v cloudových, kolokačních a lokálních prostředích.
- Vést přechod od účelově sestavených úložišť JBOD ke sdílenému podnikovému úložišti v lokálních, kolokačních a cloudových prostředích.
- Spolupracovat s týmy Software Tools, QA DevOps, Engineering, Networking Operations a IT Operations na zlepšování spolehlivosti, nákladové efektivity a řízení technického dluhu.
Požadavky
- Bakalářský nebo magisterský titul v oboru informatiky, elektrotechniky nebo příbuzném oboru.
- Nejméně 15 let praxe v SRE, infrastrukturním inženýrství nebo produkčním inženýrství.
- Nejméně pět let zkušeností s vedením týmů SRE nebo infrastrukturního inženýrství.
- Zkušenost s vytvořením nebo zásadní přestavbou funkce SRE či infrastrukturního inženýrství.
- Zkušenost s definováním SLO, budováním programů pohotovostí, zaváděním observability a vedením organizačních změn.
- Pokročilá znalost systémů Linux.
- Zkušenost s podnikovými sdílenými úložišti včetně NAS/SAN, rozsáhlých architektur NFS/SMB, architektur snímků a replikace a integrace hybridních cloudových úložišť.
- Zkušenost s provozem kolokačních zařízení a lokálního hardwaru ve velkém měřítku.
- Pochopení správy životního cyklu serverů, systémů napájení a chlazení a síťových prvků na úrovni racků.
- Produkční zkušenost s Terraform a Ansible včetně návrhu modulů, vzdáleného stavu, izolace prostředí a řízení změn.
- Zkušenost s provozem clusterů Kubernetes včetně správy životního cyklu, spolehlivosti workloadů, úložišť a rozsáhlého RBAC.
- Zkušenost s vlastnictvím platforem observability, jako jsou Prometheus, Grafana, Datadog nebo Splunk.
- Pokročilé skriptovací dovednosti v Pythonu nebo Go pro produkční služby a automatizaci infrastruktury.
- Vynikající komunikační schopnosti směrem k vedení.
- Schopnost efektivně pracovat v prostředí s vysokou mírou nejednoznačnosti a nízkou procesní vyspělostí.
- Zkušenost s provozem zákaznicky orientované infrastruktury nebo platformových služeb je výhodou.
- Znalost technologií InfiniBand, RoCE nebo NVLink je výhodou.
- Zkušenost s plánovači HPC, jako jsou Slurm, LSF nebo ekvivalentní řešení, je výhodou.
- Zkušenost s hybridním a multicloudovým provozem v AWS, Azure a GCP je výhodou.
- Znalost FinOps je výhodou.
- Znalost ITIL nebo ekvivalentního rámce pro řízení incidentů, problémů a změn je výhodou.
- Publikované technické texty, konferenční prezentace nebo příspěvky do open-source projektů jsou výhodou.
- Je nutné mít zákonné oprávnění k práci ve Spojených státech.
Benefity
- Akciová kompenzace.
- Bonusy nebo motivační příležitosti navázané na individuální výsledky a výsledky společnosti.
- Zdravotní pojištění.
- Zubní pojištění.
- Pojištění zraku.
- Plán 401(k).
- Inkluzivní program odměn zaměřený na pohodu zaměstnanců a jejich blízkých.