Andromeda ofrece capacidad de cómputo con GPU para equipos que desarrollan y ejecutan cargas de trabajo de aprendizaje automático. Su servicio brinda acceso bajo demanda a clústeres de aceleradores NVIDIA H100, H200 y B200 para experimentación, entrenamiento de modelos e inferencia, con orquestación mediante Slurm, Kubernetes o SSH. Los clientes pueden elegir opciones flexibles de uso y almacenamiento, y el equipo de Andromeda ofrece asistencia de DevOps. La empresa también opera GPUList.ai, un mercado de GPU de terceros. El perfil disponible no especifica el contexto de contratación ni los detalles del equipo.
Ingeniero sénior de fiabilidad del cliente, remoto en Europa
Resuelve incidentes de clientes en Linux, Kubernetes y clústeres de GPU, y contribuye a la fiabilidad de la infraestructura de computación con IA de Andromeda. El puesto abarca la respuesta a incidentes, la coordinación con proveedores, la monitorización y la automatización operativa.
Descripción
- Gestionar los problemas de los clientes desde su reproducción hasta su resolución, escalamiento y cierre
- Diagnosticar problemas de Linux relacionados con procesos, redes, almacenamiento, registros del kernel, contención de recursos, systemd y journald
- Investigar fallos de Kubernetes relacionados con pods, condiciones de los nodos, planificación y límites de recursos
- Resolver problemas de GPU, como fallos de controladores y complementos de dispositivos, errores XID, limitación térmica, puesta en cuarentena o drenaje de nodos y fallos de trabajos en varios nodos
- Escalar los problemas con pruebas que los respalden cuando sea necesario
- Participar en una rotación de guardias de disponibilidad 24/7
- Responder a alertas e interrupciones notificadas por clientes, evaluar el impacto, asignar la gravedad e involucrar a los equipos adecuados
- Mantener informados a los clientes durante los incidentes, incluidos el estado y las preguntas sin resolver
- Registrar los incidentes y convertir los hallazgos en guías operativas, alertas o soluciones
- Determinar si los fallos se originan en el proveedor, Andromeda o el cliente
- Crear y dar seguimiento a tickets de soporte con proveedores de computación
- Supervisar los fallos recurrentes de los proveedores y compartir patrones con quienes toman decisiones de abastecimiento
- Automatizar comprobaciones manuales con Python o Bash
- Desarrollar y mejorar la monitorización del estado de clústeres y nodos, la telemetría de GPU, los paneles y las alertas prácticas
- Mantener actualizadas las guías operativas y la documentación para clientes
Requisitos
- Experiencia práctica en la resolución de problemas desde la línea de comandos de Linux, incluidos registros, procesos, redes y discos
- Conocimientos prácticos de pods, nodos, implementaciones, servicios, planificación e investigación de fallos en Kubernetes
- Capacidad para automatizar tareas repetitivas con Python o Bash
- Sólidas habilidades de redacción técnica y capacidad para explicar problemas con claridad a los clientes
- Criterio sólido bajo presión para priorizar, escalar y comunicar
- Disponibilidad para participar en una rotación de guardias 24/7
- Se valora la experiencia en producción con GPU NVIDIA, incluidos controladores, CUDA, DCGM y el complemento de dispositivos de Kubernetes
- Se valora la experiencia con redes de alto rendimiento como InfiniBand, RoCE o NCCL
- Se valora la experiencia con HPC o Slurm
- Se valora la experiencia técnica de cara al cliente en ingeniería de soporte, gestión técnica de cuentas, soluciones o servicios profesionales
- Se valoran los conocimientos de Prometheus, Grafana, Datadog o herramientas similares
- Se valora la experiencia con infraestructura como código mediante Terraform, Ansible o Helm
- Interés por la infraestructura de IA y los trabajos de entrenamiento a gran escala
Beneficios
- Participación accionaria significativa
- Cobertura médica, dental y oftalmológica para empleados y personas a su cargo
- Plan 401(k)
- Tiempo libre remunerado ilimitado
- Oportunidad de trabajar en una empresa en rápido crecimiento centrada en la infraestructura de IA