NVIDIA vyvíjí technologie akcelerovaných výpočtů a umělé inteligence, které se využívají v herním průmyslu, datových centrech, cloud computingu, zdravotnictví, výrobě, automobilovém průmyslu a robotice. Společnost pracuje na grafických procesorech, platformách umělé inteligence, simulačních technologiích a řešeních zaměřených na jednotlivá odvětví, včetně NVIDIA Omniverse pro spolupráci na 3D projektech, NVIDIA DRIVE pro vývoj autonomních vozidel a NVIDIA Clara pro zdravotnické aplikace. NVIDIA sdružuje rozsáhlé technické týmy, které vytvářejí infrastrukturu a software pro pokročilé výpočty, simulace a analytiku využívající umělou inteligenci.
Seniorní architekt řešení pro cloudovou infrastrukturu a spolehlivost
Veďte provozní spolehlivost GPU flotil NVIDIA Cloud Partner v regionu EMEA. Automatizujte obnovu po výpadcích, observabilitu, údržbu a provoz Kubernetes ve velkém měřítku.
Popis
- Veďte stabilitu a spolehlivost produkčních prostředí ve flotilách NVIDIA Cloud Partner v regionu EMEA.
- Stanovujte a zlepšujte ukazatele spolehlivosti a propustnosti úloh pro rozsáhlé GPU clustery a spravujte rozpočty chyb platformy.
- Vytvářejte automatizované procesy detekce selhání GPU, uzlů, síťové infrastruktury a úložišť i obnovy po těchto selháních.
- Automatizujte prvotní analýzu závad, vyřazování uzlů z úloh a jejich izolaci, resetování a postupy návratu do provozu.
- Plánujte a provádějte preventivní údržbu a nasazování firmwaru nebo změn oznámených servisními upozorněními — od posouzení rizik a postupného nasazení až po ověření.
- Integrujte nástroje pro observabilitu a spolehlivost flotily — včetně Promethea, Grafany, Loki, DCGM, diagnostiky XID, GPUd a NVSentinel — se systémy partnerů.
- Koordinujte reakci na incidenty a následné rozbory s NVEX, technickými account manažery a provozními týmy partnerů.
- Veďte vyšetřování hlavních příčin, zajistěte dokončení nápravných opatření a převádějte opakující se incidenty na automatizaci, kontroly stavu nebo provozní postupy.
- Spravujte životní cyklus uzlů Kubernetes a spolehlivost napříč Kubernetes, KubeVirt, Slurm a plánovači zohledňujícími GPU.
- Stanovujte zásady stavu uzlů a koordinujte upgrady, restartování a bezpečné vyprazdňování úloh z uzlů akcelerovaných GPU.
Požadavky
- Bakalářský, magisterský nebo doktorský titul v oboru informatiky, elektrotechniky či počítačového inženýrství, fyziky, matematiky nebo příbuzném oboru, případně odpovídající praxe.
- Nejméně 8 let zkušeností v oblasti site reliability engineeringu, produkčního inženýrství nebo provozu rozsáhlé infrastruktury.
- Prokazatelná odpovědnost za spolehlivost produkčních prostředí ve velkém měřítku, včetně SLO a rozpočtů chyb, pohotovostí a řízení incidentů, rozborů bez hledání viníků a měřitelného zvýšení dostupnosti nebo střední doby mezi přerušeními.
- Praktické zkušenosti s provozem HPC nebo AI clusterů a infrastruktury NVIDIA GPU, včetně životního cyklu ovladačů a CUDA Toolkit, firmwaru, profilování úloh a řešení problémů CPU, GPU a vysokorychlostních propojení.
- Rozsáhlé zkušenosti s provozem Kubernetes v prostředích GPU a HPC, včetně životního cyklu uzlů, upgradů a vyprazdňování úloh, chování plánovačů, Slurm a vícenájemních systémů kombinujících fyzické a virtualizované servery.
- Znalost Pythonu a Bashe, infrastruktury jako kódu a správy konfigurací, například Ansible a Terraform, správy životního cyklu flotily a upgradů založených na GitOps a nástrojů Prometheus, Grafana a Loki.
- Pokročilé znalosti Linuxu včetně Red Hatu a Ubuntu, ladění a zabezpečení operačních systémů, základů sítí datových center a paralelních či podnikových úložišť, jako jsou Lustre, GPFS, ZFS a XFS.
- Zkušenosti s plánováním a prováděním proaktivního nasazování firmwaru, mikrokódu nebo změn oznámených servisními upozorněními v rozsáhlé produkční flotile.
- Znalost DCGM, diagnostiky XID, GPUd, NVSentinel, agentů pro kontrolu stavu uzlů a analýzy spolehlivosti celé flotily.
- Zkušenosti s NVIDIA GPU Operator, NVIDIA Network Operator a NVIDIA Base Command Manager.
- Praktické zkušenosti s frameworky pro plánování AI úloh a inferenci v Kubernetes, například KAI, Grove, Dynamo a NVIDIA Cloud Functions.
- Odborná znalost RDMA sítí, jako jsou InfiniBand nebo RoCE; zkušenosti s Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA a operacemi s oddíly NVLink/NVSwitch jsou výhodou.