NVIDIA udvikler teknologier til accelereret databehandling og kunstig intelligens, som anvendes inden for gaming, datacentre, cloud computing, sundhedspleje, produktion, bilindustrien og robotteknologi. Virksomhedens arbejde omfatter grafikprocessorer, AI-platforme, simulering og branchespecifikke løsninger, herunder NVIDIA Omniverse til samarbejdsbaserede 3D-arbejdsgange, NVIDIA DRIVE til udvikling af autonome køretøjer og NVIDIA Clara til sundhedsapplikationer. Virksomheden samler store tekniske teams, der arbejder med den infrastruktur og software, som understøtter avanceret databehandling, simulering og AI-drevet analyse.
Seniorløsningsarkitekt inden for cloudinfrastruktur og pålidelighed
Led den daglige pålidelighed for NVIDIA Cloud Partners GPU-flåder i EMEA. Automatisér fejlhåndtering, observerbarhed, vedligeholdelse og Kubernetes-drift i stor skala.
Beskrivelse
- Lede produktionsstabilitet og pålidelighed på tværs af NVIDIA Cloud Partners flåder i EMEA.
- Fastlægge og forbedre mål for pålidelighed og arbejdsbelastningers gennemløb i store GPU-klynger samt styre platformens fejlbudgetter.
- Udvikle automatiserede arbejdsgange til registrering af og genopretning efter fejl i GPU'er, noder, netværksfabric og lager.
- Automatisere fejlsortering, dræning og afskærmning af noder, nulstillinger og procedurer for tilbagevenden til drift.
- Planlægge og gennemføre forebyggende vedligeholdelse samt udrulninger af firmware eller feltmeddelelser fra risikovurderinger og trinvise implementeringer til verifikation.
- Integrere værktøjer til flådens observerbarhed og pålidelighed – herunder Prometheus, Grafana, Loki, DCGM, XID-diagnostik, GPUd og NVSentinel – med partnersystemer.
- Koordinere hændelsesberedskab og evalueringer efter hændelser med NVEX, tekniske account managers og partnernes driftsteams.
- Lede undersøgelser af grundårsager, afslutte korrigerende handlinger og omsætte gentagne hændelser til automatisering, helbredstjek eller driftsvejledninger.
- Administrere Kubernetes-noders livscyklusser og pålidelighed på tværs af Kubernetes, KubeVirt, Slurm og GPU-bevidste schedulere.
- Fastlægge politikker for nodehelbred og koordinere opgraderinger, genstarter og sikker dræning af arbejdsbelastninger på GPU-accelererede noder.
Krav
- Bachelor-, kandidat- eller ph.d.-grad i datalogi, elektroteknik eller computerteknik, fysik, matematik eller et beslægtet fagområde eller tilsvarende erfaring.
- Mindst 8 års erfaring med site reliability engineering, produktionsteknik eller drift af infrastruktur i stor skala.
- Dokumenteret ansvar for produktionspålidelighed i stor skala, herunder SLO'er og fejlbudgetter, vagtordning og hændelsesledelse, blamefri evalueringer samt målbare forbedringer af tilgængelighed eller gennemsnitlig tid mellem afbrydelser.
- Praktisk erfaring med drift af HPC- eller AI-klynger og NVIDIA GPU-infrastruktur, herunder livscyklusser for drivere og CUDA-værktøjskasser, firmware, profilering af arbejdsbelastninger og fejlfinding på CPU'er, GPU'er og højhastighedsforbindelser.
- Omfattende erfaring med Kubernetes-drift i GPU- og HPC-miljøer, herunder nodelevetid, opgraderinger og dræning, scheduleradfærd, Slurm samt blandede bare-metal- og virtualiserede miljøer med flere lejere.
- Rutine i Python og Bash, infrastruktur som kode og konfigurationsstyring såsom Ansible og Terraform, GitOps-baseret livscyklusstyring og opgradering af flåder samt Prometheus, Grafana og Loki.
- Stærke Linux-kompetencer, herunder Red Hat og Ubuntu, tuning og sikkerhed af operativsystemer, grundlæggende datacenternetværk samt parallel- eller enterprise-lagring såsom Lustre, GPFS, ZFS og XFS.
- Erfaring med at planlægge og gennemføre proaktive udrulninger af firmware, mikrokode eller feltmeddelelser på tværs af store produktionsflåder.
- Kendskab til DCGM, XID-diagnostik, GPUd, NVSentinel, nodehelbredsagenter og pålidelighedsanalyse på tværs af flåden.
- Erfaring med NVIDIA GPU- og Network Operators samt NVIDIA Base Command Manager.
- Praktisk erfaring med AI-planlægnings- og inferensframeworks på Kubernetes, såsom KAI, Grove, Dynamo og NVIDIA Cloud Functions.
- Ekspertise i RDMA-fabrics såsom InfiniBand eller RoCE; erfaring med Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA og drift af NVLink/NVSwitch-partitionering er en fordel.