Stratus je technologická a poradenská B2B společnost zaměřená na modernizaci pojišťovacích operací pro pojišťovny v oblasti majetku a odpovědnosti a pro managing general agenty. Týmy společnosti pomáhají organizacím nahrazovat nebo optimalizovat zastaralé základní systémy, zavádět platformy Guidewire a Insurity, plánovat a realizovat migrace do cloudu Azure a budovat účinnější strategie pro práci s daty a jejich správu. Stratus podporuje také připravenost na využití umělé inteligence, údržbu aplikací, zajištění kvality, výběr platforem a poskytování IT kapacit prostřednictvím týmů odborníků na vyžádání. Společnost propojuje odborné znalosti z oblasti pojišťovnictví s praktickým přístupem k technologické transformaci, aby klientům pomohla zlepšovat analytiku, zefektivňovat provoz a rychleji uvádět nové produkty na trh.
Seniorní inženýr spolehlivosti webů — práce na dálku ve Spojených státech
Seniorní inženýr spolehlivosti webů odpovědný za zavádění spolehlivosti do provozu ve společnosti Stratus, jejíž software digitalizuje pracovní postupy dodavatelů MEP. Role zahrnuje SLO, observabilitu, reakci na incidenty a výkonnostní inženýrství v produkčních systémech Azure.
Popis
- Odpovídat za ukazatele úrovně služeb, cíle a rozpočty chyb zákaznických služeb
- Vyvíjet měřicí pipeline, které reportují dostupnost a latenci vůči definovaným cílům
- Spravovat observabilitu produkčního prostředí pomocí standardů instrumentace, dashboardů a akčních upozornění
- Provozovat nástroje observability v Azure AKS, Prometheus, Loki, Tempo, Grafana, Istio a Flux
- Zavést procesy reakce na incidenty zahrnující pohotovostní služby, upozornění, závažnost, vlastnictví, eskalaci a retrospektivy bez hledání viníka
- Nastavit standardy návratu změn a obnovy a ověřovat je při pravidelných cvičeních
- Vést výkonnostní a kapacitní inženýrství prostřednictvím ladění dotazů a indexů, dimenzování poolů připojení, kapacitního modelování a návrhu řízené degradace
- Spolupracovat s týmem na zátěžových, stresových, špičkových a dlouhodobých testech pomocí k6
- Definovat prahové hodnoty latence endpointů založené na SLO a používat výsledky testů jako podmínky pro nasazení
- Vést kontroly připravenosti produkce z hlediska instrumentace, upozornění, režimů selhání, limitů zdrojů a plánů návratu změn
- Dotahovat nápravu po retrospektivách incidentů až k ověřeným změnám v produkci
- Podporovat plánování kontinuity provozu a zotavení po havárii včetně ověřování záloh a obnovy, návrhu převzetí provozu a cílů obnovy
- Školit inženýrské týmy v instrumentaci a provozování jejich služeb
- Vytvářet nástroje, automatizaci, knihovny instrumentace a opravy produkčního kódu
- Spolupracovat napříč inženýrskými týmy, platformními a bezpečnostními týmy i skupinami pracujícími se zákazníky
- Podléhat seniornímu řediteli platformního inženýrství
Požadavky
- Nejméně šest let profesionálních zkušeností v inženýrství
- Tři nebo více let na specializované pozici SRE nebo produkčního inženýra ve společnosti B2B SaaS
- Prokazatelné vlastnictví produkčních SLO a rozpočtů chyb
- Pokročilé praktické zkušenosti s observabilitou, včetně Prometheus, Loki, Tempo, Grafana nebo srovnatelných nástrojů
- Praktické zkušenosti s rolí velitele reakce na závažné incidenty
- Zkušenost s vybudováním pohotovostních a eskalačních procesů od základů
- Silné odborné znalosti výkonu databází včetně profilování dotazů, návrhu indexů, poolingu připojení a diagnostiky nasycení pod zátěží
- Zkušenost s MongoDB je výhodou; přijatelná je srovnatelná znalost dokumentových nebo relačních databází
- Produkční zkušenost s Kubernetes, ideálně s AKS
- Schopnost řešit plánování podů, limity zdrojů, síťové problémy a chování service meshe; zkušenost s Istio je výhodou
- Znalost alespoň jednoho z jazyků Go, Python, C# nebo TypeScript
- Ochota pracovat s kódovou základnou C#/.NET
- Zkušenost s nástroji pro zátěžové a výkonnostní testování, jako jsou k6, JMeter nebo Gatling
- Produkční zkušenost s Azure nebo AWS a znalost režimů selhání spravovaných služeb
- Plynulé používání nástrojů pro vývoj s podporou AI a zkušenost s navrhováním pracovních postupů využívajících AI
- Vynikající písemná komunikace pro retrospektivy incidentů, provozní příručky a zprávy o spolehlivosti
- Správný úsudek a klid pod tlakem
- Zkušenost s vytvářením nebo rozvojem praxe SRE je výhodou
- Zkušenost se Sentry nebo srovnatelnou platformou pro monitorování chyb aplikací je výhodou
- Zkušenost s provozem událostmi řízených systémů a systémů v reálném čase je výhodou
- Zkušenost s provozem MongoDB Atlas v produkčním měřítku je výhodou
- Zkušenost s platformami pro orchestraci trvalých pracovních postupů, jako je Temporal, je výhodou
- Zkušenost s multiregionální nebo multizónovou architekturou a návrhem zotavení po havárii je výhodou
- Zkušenost s incident.io, PagerDuty nebo srovnatelnými platformami pro řízení incidentů je výhodou
- Znalost metrik DORA a práce na spolehlivosti v prostředích SOC 2 nebo NIST 800-171 je výhodou
- Zkušenost se zvyšováním spolehlivosti starších monolitů je výhodou
- Zájem o MEP, BIM, AEC nebo stavební technologie je výhodou
- Předchozí zkušenost ve společnosti ve fázi Series B nebo ve fázi růstu je výhodou
Benefity
- Komplexní konkurenceschopné zdravotní benefity
- Příspěvky do 401(k) s příspěvkem zaměstnavatele
- Dvacet dní placeného volna ročně
- Převážně práce na dálku
- Příležitostné každoroční týmové akce na pracovišti