LogoFresh Jobs Ahead
d-Matrix
d-Matrix
51 – 200 Mitarbeitende
Sponsor für H1B-VisumBeratungFertigungKünstliche Intelligenz
d-Matrix entwickelt KI-Inferenztechnologien für Rechenzentren, die durch In-Memory-Computing die Recheneffizienz verbessern sollen. Das 2019 gegründete Unternehmen vereint kundenspezifisches Schaltungsdesign, Werkzeuge für maschinelles Lernen, Software, Algorithmen und Interconnects im Chiplet-Maßstab, um die Herausforderung der Integration von Speicher und Rechenleistung für moderne Anwendungen künstlicher Intelligenz zu bewältigen.
LinkedIn
Stellen im Unternehmen

Leitung Site Reliability Engineering, KI-Infrastruktur – d-Matrix, Santa Clara, Hybrid

Leiten Sie die SRE-Organisation von d-Matrix für Infrastrukturen zur Inferenz generativer KI. Verantworten Sie Zuverlässigkeit, Observability, Automatisierung, Speicher sowie den hybriden Cloud- und On-Premises-Betrieb.

USVereinigte StaatenCAKalifornien
195.000 $ – 285.000 $ / Jahr
HybridVollzeitLeadErforderliche Sprache: EnglischDevOps-Ingenieur
AnsibleAWSAzureCloudGoGoogle Cloud PlatformGrafanaKubernetesLinuxNFSPrometheusPythonSplunkTerraform

Beschreibung

  • Aufbau und Leitung der Site-Reliability-Engineering-Organisation von d-Matrix.
  • Erstellung des SRE-Auftrags und Verankerung von Zuverlässigkeitspraktiken in der Hardware- und Softwareentwicklung.
  • Rekrutierung, Entwicklung und Bindung eines Teams aus ein bis drei SRE-Ingenieurinnen und -Ingenieuren.
  • Leitung des Teams für Rechenzentrums- und Labortechnik sowie Festlegung operativer Prioritäten und Standards.
  • Verantwortung für die Zuverlässigkeit rund um die Uhr in Colocation-Einrichtungen, On-Premises-Laborclustern, Cloud-Umgebungen und kundenorientierten Plattformdiensten.
  • Entwicklung resilienter Systeme auf Grundlage von Fehlerdomänen, schrittweiser Bereitstellung und diszipliniertem Änderungsmanagement.
  • Definition von Service-Level-Indikatoren, Service-Level-Zielen und Fehlerbudgets.
  • Aufbau von Bereitschaftsdiensten, einschließlich eines Follow-the-Sun-Modells mit wachsendem globalem Betrieb.
  • Entwicklung von Frameworks für die Reaktion auf Vorfälle und die Ursachenanalyse.
  • Leitung der Observability für Metriken, Traces und Logs.
  • Weiterentwicklung der auf Terraform und Ansible basierenden Automatisierung, einschließlich selbstheilender Infrastruktur.
  • Implementierung der Automatisierung des Host-Lebenszyklus, der Flottenbehebung und des AIOps-gestützten Alertings.
  • Verantwortung für FinOps und Kapazitätsplanung in Cloud-, Colocation- und On-Premises-Umgebungen.
  • Leitung des Übergangs von Ad-hoc-JBOD-Speicher zu gemeinsam genutztem Enterprise-Speicher in On-Premises-, Colocation- und Cloud-Umgebungen.
  • Zusammenarbeit mit Software Tools, QA DevOps, Engineering, Network Operations und IT Operations zur Verbesserung von Zuverlässigkeit, Kosteneffizienz und dem Management technischer Schulden.

Anforderungen

  • Bachelor- oder Masterabschluss in Informatik, Elektrotechnik oder einer verwandten Fachrichtung.
  • Mindestens 15 Jahre Erfahrung in SRE, Infrastruktur-Engineering oder Produktions-Engineering.
  • Mindestens fünf Jahre Erfahrung in der Leitung von SRE- oder Infrastruktur-Engineering-Teams.
  • Erfahrung im Aufbau oder der umfassenden Neugestaltung einer SRE- oder Infrastruktur-Engineering-Funktion.
  • Erfahrung mit der Definition von SLOs, dem Aufbau von Bereitschaftsprogrammen, der Implementierung von Observability und der Leitung organisatorischer Veränderungen.
  • Fortgeschrittene Kenntnisse von Linux-Systemen.
  • Erfahrung mit gemeinsam genutztem Enterprise-Speicher, einschließlich NAS/SAN, groß angelegtem NFS/SMB, Snapshot- und Replikationsarchitekturen sowie der Integration von Hybrid-Cloud-Speicher.
  • Erfahrung im Betrieb von Colocation-Einrichtungen und On-Premises-Hardware in großem Maßstab.
  • Verständnis von Server-Lebenszyklusmanagement, Stromversorgungs- und Kühlsystemen sowie Netzwerkbetrieb auf Rack-Ebene.
  • Produktionserfahrung mit Terraform und Ansible, einschließlich Modulentwurf, Remote State, Umgebungsisolierung und Änderungs-Governance.
  • Erfahrung im Betrieb von Kubernetes-Clustern, einschließlich Lebenszyklusmanagement, Workload-Zuverlässigkeit, Speicher und RBAC in großem Maßstab.
  • Erfahrung mit dem Betrieb von Observability-Plattformen wie Prometheus, Grafana, Datadog oder Splunk.
  • Ausgeprägte Python- oder Go-Scripting-Kenntnisse für Produktionsdienste und Infrastrukturautomatisierung.
  • Ausgeprägte Fähigkeiten in der Kommunikation mit Führungskräften.
  • Fähigkeit, in einem von hoher Unklarheit und wenig Prozessen geprägten Umfeld effektiv zu arbeiten.
  • Erfahrung im Betrieb kundenorientierter Infrastruktur- oder Plattformdienste ist wünschenswert.
  • Kenntnisse in InfiniBand, RoCE oder NVLink sind wünschenswert.
  • Erfahrung mit HPC-Schedulern wie Slurm, LSF oder vergleichbaren Systemen ist wünschenswert.
  • Erfahrung mit hybridem Multi-Cloud-Betrieb über AWS, Azure und GCP ist wünschenswert.
  • FinOps-Kenntnisse sind wünschenswert.
  • Kenntnisse von ITIL oder einem gleichwertigen Framework für Incident-, Problem- und Change-Management sind wünschenswert.
  • Veröffentlichte technische Texte, Konferenzvorträge oder Beiträge zu Open Source sind wünschenswert.
  • Eine gesetzliche Arbeitserlaubnis für die Vereinigten Staaten ist erforderlich.

Zusatzleistungen

  • Beteiligungsvergütung.
  • Bonus- oder Incentive-Möglichkeiten, die an die individuelle und die Unternehmensleistung geknüpft sind.
  • Krankenversicherung.
  • Zahnversicherung.
  • Sehversicherung.
  • 401(k)-Plan.
  • Inklusives Prämienprogramm mit Fokus auf das Wohlbefinden der Mitarbeitenden und ihrer Angehörigen.

Ähnliche Stellen