Η Andromeda παρέχει υπολογιστικούς πόρους GPU σε ομάδες που αναπτύσσουν και εκτελούν φόρτους εργασίας μηχανικής μάθησης. Η υπηρεσία της προσφέρει κατ’ απαίτηση πρόσβαση σε συστοιχίες επιταχυντών NVIDIA H100, H200 και B200 για πειραματισμό, εκπαίδευση μοντέλων και εξαγωγή συμπερασμάτων, με ενορχήστρωση μέσω Slurm, Kubernetes ή SSH. Οι πελάτες μπορούν να επιλέξουν ευέλικτες επιλογές χρήσης και αποθήκευσης, ενώ η ομάδα της Andromeda παρέχει υποστήριξη DevOps. Η εταιρεία διαχειρίζεται επίσης το GPUList.ai, μια αγορά GPU τρίτου μέρους. Το διαθέσιμο προφίλ δεν προσδιορίζει το πλαίσιο προσλήψεων ή λεπτομέρειες για την ομάδα.
Ανώτερος μηχανικός αξιοπιστίας πελατών, εξ αποστάσεως στην Ευρώπη
Διερεύνηση περιστατικών πελατών σε Linux, Kubernetes και συστάδες GPU, με συμβολή στην αξιοπιστία της υποδομής υπολογιστικής τεχνητής νοημοσύνης της Andromeda. Ο ρόλος καλύπτει απόκριση σε περιστατικά, συντονισμό παρόχων, παρακολούθηση και αυτοματοποίηση λειτουργιών.
Περιγραφή
- Διαχείριση ζητημάτων πελατών από την αναπαραγωγή έως την επίλυση, την κλιμάκωση και το κλείσιμο
- Διάγνωση προβλημάτων Linux που αφορούν διεργασίες, δίκτυα, αποθήκευση, αρχεία καταγραφής πυρήνα, ανταγωνισμό πόρων, systemd και journald
- Διερεύνηση αστοχιών Kubernetes που αφορούν pods, καταστάσεις κόμβων, προγραμματισμό και όρια πόρων
- Αντιμετώπιση προβλημάτων GPU, όπως αστοχίες προγραμμάτων οδήγησης και πρόσθετων συσκευών, σφάλματα XID, θερμική μείωση απόδοσης, αποκλεισμός ή εκκένωση κόμβων και αστοχίες εργασιών πολλών κόμβων
- Κλιμάκωση ζητημάτων με τεκμηριωμένα στοιχεία όταν χρειάζεται
- Συμμετοχή σε κυκλική εφημερία 24/7
- Απόκριση σε ειδοποιήσεις και διακοπές λειτουργίας που αναφέρουν πελάτες, αξιολόγηση επιπτώσεων, καθορισμός σοβαρότητας και εμπλοκή των κατάλληλων ομάδων
- Ενημέρωση των πελατών κατά τη διάρκεια περιστατικών, συμπεριλαμβανομένης της κατάστασης και των εκκρεμών ερωτημάτων
- Καταγραφή περιστατικών και μετατροπή των ευρημάτων σε εγχειρίδια λειτουργίας, ειδοποιήσεις ή διορθώσεις
- Προσδιορισμός του αν οι αστοχίες προέρχονται από τον πάροχο, την Andromeda ή τον πελάτη
- Δημιουργία και παρακολούθηση αιτημάτων υποστήριξης προς παρόχους υπολογιστικών πόρων
- Παρακολούθηση επαναλαμβανόμενων αστοχιών παρόχων και κοινοποίηση μοτίβων στους υπεύθυνους αποφάσεων προμηθειών
- Αυτοματοποίηση χειροκίνητων ελέγχων με Python ή Bash
- Ανάπτυξη και βελτίωση της παρακολούθησης υγείας συστάδων και κόμβων, της τηλεμετρίας GPU, των πινάκων ελέγχου και των ειδοποιήσεων που οδηγούν σε ενέργειες
- Ενημέρωση των εγχειριδίων λειτουργίας και της τεκμηρίωσης πελατών
Απαιτήσεις
- Πρακτική εμπειρία στην αντιμετώπιση προβλημάτων Linux μέσω γραμμής εντολών, συμπεριλαμβανομένων αρχείων καταγραφής, διεργασιών, δικτύων και δίσκων
- Λειτουργική γνώση των pods, κόμβων, deployments, υπηρεσιών και προγραμματισμού του Kubernetes, καθώς και διερεύνησης αστοχιών
- Ικανότητα αυτοματοποίησης επαναλαμβανόμενων εργασιών με Python ή Bash
- Ισχυρές δεξιότητες τεχνικής γραφής και ικανότητα σαφούς εξήγησης ζητημάτων στους πελάτες
- Ορθή κρίση υπό πίεση κατά την ιεράρχηση, την κλιμάκωση και την επικοινωνία
- Προθυμία συμμετοχής σε κυκλική εφημερία 24/7
- Η εμπειρία παραγωγικής χρήσης GPU της NVIDIA με προγράμματα οδήγησης, CUDA, DCGM και το πρόσθετο συσκευών του Kubernetes αποτελεί πλεονέκτημα
- Η εμπειρία σε δίκτυα υψηλών επιδόσεων με InfiniBand, RoCE ή NCCL αποτελεί πλεονέκτημα
- Η εμπειρία σε HPC ή Slurm αποτελεί πλεονέκτημα
- Η τεχνική εμπειρία με άμεση επαφή πελατών στην υποστήριξη μηχανικής, στη διαχείριση τεχνικών λογαριασμών, στις λύσεις ή στις επαγγελματικές υπηρεσίες αποτελεί πλεονέκτημα
- Η εξοικείωση με Prometheus, Grafana, Datadog ή παρόμοια εργαλεία αποτελεί πλεονέκτημα
- Η εμπειρία σε υποδομές ως κώδικα με Terraform, Ansible ή Helm αποτελεί πλεονέκτημα
- Ενδιαφέρον για υποδομές τεχνητής νοημοσύνης και εργασίες εκπαίδευσης μεγάλης κλίμακας
Παροχές
- Σημαντική συμμετοχή στο μετοχικό κεφάλαιο
- Κάλυψη υγείας, οδοντιατρικής και όρασης για εργαζομένους και εξαρτώμενα μέλη της οικογένειας
- Πρόγραμμα 401(k)
- Απεριόριστη άδεια μετ’ αποδοχών
- Ευκαιρία εργασίας σε εταιρεία ταχείας ανάπτυξης που επικεντρώνεται σε υποδομές τεχνητής νοημοσύνης