Andromeda leverer GPU-computerkapacitet til teams, der udvikler og kører machine learning-arbejdsbelastninger. Tjenesten giver adgang efter behov til klynger med NVIDIA H100-, H200- og B200-acceleratorer til eksperimenter, modeltræning og inferens med orkestrering via Slurm, Kubernetes eller SSH. Kunderne kan vælge fleksible muligheder for forbrug og lagring, mens Andromedas team yder DevOps-support. Virksomheden driver også GPUList.ai, en tredjepartsmarkedsplads for GPU'er. Den tilgængelige virksomhedsprofil angiver ingen oplysninger om rekruttering eller teamet.
Senior kundpålidelighedsingeniør – Europa, fjernarbejde
Fejlsøg kundeincidenter på tværs af Linux-, Kubernetes- og GPU-klynger, og vær med til at holde Andromedas AI-comput infrastruktur pålidelig. Rollen omfatter incidenthåndtering, koordinering med leverandører, overvågning og automatisering af drift.
Beskrivelse
- Håndter kundesager fra reproduktion til løsning, eskalering og afslutning
- Fejlsøg Linux-problemer med processer, netværk, lagerplads, kernel-logfiler, ressourcekonflikter, systemd og journald
- Undersøg Kubernetes-fejl med pods, nodetilstande, planlægning og ressourcegrænser
- Fejlsøg GPU-problemer såsom fejl i drivere og device plugins, XID-fejl, termisk drosling, afspærring eller dræning af noder samt fejl i jobs på flere noder
- Eskalér problemer med dokumentation, når det er nødvendigt
- Deltag i en 24/7-vagtordning
- Reagér på alarmer og nedbrud meldt af kunder, vurder påvirkningen, fastsæt alvorlighedsgrad, og inddrag de relevante teams
- Hold kunderne orienteret under incidenter, herunder om status og ubesvarede spørgsmål
- Registrér incidenter, og omsæt resultater til driftsvejledninger, alarmer eller rettelser
- Afgør, om fejl stammer fra leverandøren, Andromeda eller kunden
- Opret supportsager hos compute-leverandører, og følg op på dem
- Overvåg tilbagevendende leverandørfejl, og del mønstre med beslutningstagere inden for indkøb
- Automatisér manuelle kontroller med Python eller Bash
- Udvikl og forbedr overvågning af klynge- og nodetilstand, GPU-telemetri, dashboards og handlingsrettede alarmer
- Hold driftsvejledninger og kundedokumentation opdateret
Krav
- Praktisk erfaring med fejlsøgning via Linux-kommandolinjen, herunder logfiler, processer, netværk og diske
- Kendskab til Kubernetes-pods, noder, deployments, services, planlægning og fejlanalyse
- Evne til at automatisere gentagne opgaver med Python eller Bash
- Stærke tekniske skrivefærdigheder og evne til at forklare problemer tydeligt for kunder
- God dømmekraft under pres ved prioritering, eskalering og kommunikation
- Villighed til at indgå i en 24/7-vagtordning
- Produktionserfaring med NVIDIA-GPU'er, drivere, CUDA, DCGM og Kubernetes device plugin er en fordel
- Erfaring med højtydende netværk såsom InfiniBand, RoCE eller NCCL er en fordel
- Erfaring med HPC eller Slurm er en fordel
- Kundevendt teknisk erfaring inden for support engineering, teknisk kundeansvar, løsningsarbejde eller professionelle tjenester er en fordel
- Kendskab til Prometheus, Grafana, Datadog eller lignende værktøjer er en fordel
- Erfaring med Infrastructure as Code med Terraform, Ansible eller Helm er en fordel
- Interesse for AI-infrastruktur og træningsjobs i stor skala
Fordele
- Meningsfuld ejerandel
- Sundheds-, tand- og synsdækning for medarbejdere og deres pårørende
- 401(k)-ordning
- Ubegrænset betalt fri
- Mulighed for at arbejde i en virksomhed i hastig vækst med fokus på AI-infrastruktur