Η NVIDIA αναπτύσσει τεχνολογίες επιταχυμένης υπολογιστικής και τεχνητής νοημοσύνης που χρησιμοποιούνται στα παιχνίδια, τα κέντρα δεδομένων, το υπολογιστικό νέφος, την υγειονομική περίθαλψη, τη μεταποίηση, την αυτοκινητοβιομηχανία και τη ρομποτική. Το έργο της καλύπτει μονάδες επεξεργασίας γραφικών, πλατφόρμες τεχνητής νοημοσύνης, προσομοιώσεις και λύσεις για συγκεκριμένους κλάδους, όπως το NVIDIA Omniverse για συνεργατικές τρισδιάστατες ροές εργασίας, το NVIDIA DRIVE για την ανάπτυξη αυτόνομων οχημάτων και το NVIDIA Clara για εφαρμογές υγειονομικής περίθαλψης. Η εταιρεία συγκεντρώνει μεγάλες τεχνικές ομάδες που εργάζονται στις υποδομές και το λογισμικό τα οποία υποστηρίζουν την προηγμένη υπολογιστική, την προσομοίωση και την ανάλυση με βάση την τεχνητή νοημοσύνη.
Ανώτερος αρχιτέκτονας λύσεων υποδομών cloud και αξιοπιστίας
Αναλάβετε την αξιοπιστία δεύτερης ημέρας των στόλων GPU συνεργατών NVIDIA Cloud στην Ευρώπη, τη Μέση Ανατολή και την Αφρική. Αυτοματοποιήστε την αποκατάσταση βλαβών, την παρατηρησιμότητα, τη συντήρηση και τη λειτουργία Kubernetes σε μεγάλη κλίμακα.
Περιγραφή
- Ηγηθείτε της σταθερότητας και της αξιοπιστίας παραγωγής στους στόλους συνεργατών NVIDIA Cloud στην Ευρώπη, τη Μέση Ανατολή και την Αφρική.
- Ορίστε και βελτιώστε μετρήσεις αξιοπιστίας και διεκπεραιωτικής ικανότητας φόρτων εργασίας για μεγάλα συμπλέγματα GPU και διαχειριστείτε προϋπολογισμούς σφαλμάτων πλατφόρμας.
- Δημιουργήστε αυτοματοποιημένες ροές εργασίας για τον εντοπισμό και την ανάκαμψη από αστοχίες GPU, κόμβων, δικτυακής υποδομής και αποθήκευσης.
- Αυτοματοποιήστε τη διαλογή βλαβών, την αποστράγγιση και την απομόνωση κόμβων, τις επαναφορές και τις διαδικασίες επαναφοράς σε λειτουργία.
- Σχεδιάστε και υλοποιήστε προληπτική συντήρηση και διανομές υλικολογισμικού ή ειδοποιήσεων πεδίου, από τις αξιολογήσεις κινδύνου και τις σταδιακές αναπτύξεις έως την επαλήθευση.
- Ενσωματώστε εργαλεία παρατηρησιμότητας και αξιοπιστίας στόλου, όπως Prometheus, Grafana, Loki, DCGM, διαγνωστικά XID, GPUd και NVSentinel, με τα συστήματα των συνεργατών.
- Συντονίστε την απόκριση σε περιστατικά και τις ανασκοπήσεις μετά το περιστατικό με την NVEX, τεχνικούς διαχειριστές λογαριασμών και ομάδες λειτουργιών συνεργατών.
- Ηγηθείτε ερευνών βασικών αιτιών, ολοκληρώστε διορθωτικές ενέργειες και μετατρέψτε επαναλαμβανόμενα περιστατικά σε αυτοματισμούς, ελέγχους υγείας ή εγχειρίδια λειτουργίας.
- Διαχειριστείτε τους κύκλους ζωής και την αξιοπιστία κόμβων Kubernetes σε Kubernetes, KubeVirt, Slurm και προγραμματιστές με επίγνωση GPU.
- Ορίστε πολιτικές υγείας κόμβων και συντονίστε αναβαθμίσεις, επανεκκινήσεις και ασφαλή αποστράγγιση φόρτων εργασίας σε κόμβους με επιτάχυνση GPU.
Απαιτήσεις
- Πτυχίο, μεταπτυχιακό ή διδακτορικό στην επιστήμη υπολογιστών, την ηλεκτρολογία ή μηχανική υπολογιστών, τη φυσική, τα μαθηματικά ή συναφή κλάδο, ή ισοδύναμη εμπειρία.
- Τουλάχιστον 8 χρόνια εμπειρίας στη μηχανική αξιοπιστίας ιστοτόπων, στη μηχανική παραγωγής ή στη λειτουργία υποδομών μεγάλης κλίμακας.
- Αποδεδειγμένη ευθύνη για την αξιοπιστία παραγωγής μεγάλης κλίμακας, συμπεριλαμβανομένων στόχων επιπέδου υπηρεσίας και προϋπολογισμών σφαλμάτων, εφημεριών και διοίκησης περιστατικών, ανασκοπήσεων χωρίς επίρριψη ευθυνών και μετρήσιμων βελτιώσεων στη διαθεσιμότητα ή στον μέσο χρόνο μεταξύ διακοπών.
- Πρακτική εμπειρία στη λειτουργία συμπλεγμάτων HPC ή AI και υποδομών NVIDIA GPU, συμπεριλαμβανομένων κύκλων ζωής προγραμμάτων οδήγησης και CUDA Toolkit, υλικολογισμικού, ανάλυσης φόρτων εργασίας και αντιμετώπισης προβλημάτων CPU, GPU και διασυνδέσεων υψηλής ταχύτητας.
- Εκτεταμένη εμπειρία λειτουργίας Kubernetes σε περιβάλλοντα GPU και HPC, συμπεριλαμβανομένων κύκλων ζωής κόμβων, αναβαθμίσεων και αποστράγγισης, συμπεριφοράς προγραμματιστών, Slurm και συστημάτων πολλών μισθωτών με φυσικά και εικονικά μηχανήματα.
- Άριστη γνώση Python και Bash, υποδομών ως κώδικα και διαχείρισης ρυθμίσεων όπως Ansible και Terraform, διαχείρισης κύκλου ζωής στόλου και αναβαθμίσεων με GitOps, καθώς και Prometheus, Grafana και Loki.
- Ισχυρή τεχνογνωσία Linux, συμπεριλαμβανομένων Red Hat και Ubuntu, ρύθμισης και ασφάλειας λειτουργικών συστημάτων, βασικών αρχών δικτύωσης κέντρων δεδομένων και παράλληλης ή εταιρικής αποθήκευσης όπως Lustre, GPFS, ZFS και XFS.
- Εμπειρία στον σχεδιασμό και την εκτέλεση προληπτικών διανομών υλικολογισμικού, μικροκώδικα ή ειδοποιήσεων πεδίου σε μεγάλο στόλο παραγωγής.
- Εξοικείωση με DCGM, διαγνωστικά XID, GPUd, NVSentinel, πράκτορες υγείας κόμβων και εργαλεία ανάλυσης αξιοπιστίας σε επίπεδο στόλου.
- Εμπειρία με NVIDIA GPU Operator, NVIDIA Network Operator και NVIDIA Base Command Manager.
- Πρακτική εμπειρία με πλαίσια προγραμματισμού AI και συμπερασμού στο Kubernetes, όπως KAI, Grove, Dynamo και NVIDIA Cloud Functions.
- Εξειδίκευση σε δίκτυα RDMA όπως InfiniBand ή RoCE· η εμπειρία με Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA και λειτουργίες διαμερισματοποίησης NVLink/NVSwitch αποτελεί πρόσθετο προσόν.