NVIDIA kehittää nopeutettuun laskentaan ja tekoälyyn liittyviä teknologioita, joita käytetään pelaamisessa, datakeskuksissa, pilvipalveluissa, terveydenhuollossa, valmistuksessa, autoteollisuudessa ja robotiikassa. Sen toiminta kattaa grafiikkasuorittimet, tekoälyalustat, simuloinnin ja toimialakohtaiset ratkaisut, kuten NVIDIA Omniversen yhteistoiminnallisiin 3D-työnkulkuihin, NVIDIA DRIVEn autonomisten ajoneuvojen kehittämiseen ja NVIDIA Claran terveydenhuollon sovelluksiin. Yritys kokoaa yhteen laajoja teknisiä tiimejä, jotka työskentelevät edistynyttä laskentaa, simulointia ja tekoälypohjaista analytiikkaa tukevan infrastruktuurin ja ohjelmistojen parissa.
Pilvi-infrastruktuurin ja toimintavarmuuden vanhempi ratkaisuarkkitehti
Johda NVIDIA Cloud Partner -kumppanien EMEA-alueen GPU-kalustojen tuotantovaiheen toimintavarmuutta. Automatisoi vikatilanteista palautuminen, havainnointi, ylläpito ja Kubernetes-toiminnot suuressa mittakaavassa.
Kuvaus
- Johda NVIDIA Cloud Partner -kumppanien EMEA-alueen kalustojen tuotantoympäristöjen vakautta ja toimintavarmuutta.
- Määritä ja kehitä suurten GPU-klustereiden toimintavarmuuden ja työkuormien läpimenon mittareita sekä hallinnoi alustan virhebudjetteja.
- Rakenna automatisoituja tunnistus- ja palautumisprosesseja GPU-, solmu-, verkkokangas- ja tallennusjärjestelmävioille.
- Automatisoi vikojen alkuselvitys, solmujen tyhjentäminen työkuormista ja eristäminen, uudelleenkäynnistykset sekä palautus palveluun.
- Suunnittele ja toteuta ennakoiva ylläpito sekä laiteohjelmisto- ja kenttätiedotepäivitykset riskien arvioinnista vaiheistettuihin käyttöönottoihin ja varmistukseen.
- Yhdistä kaluston havainnointi- ja toimintavarmuustyökalut — kuten Prometheus, Grafana, Loki, DCGM, XID-diagnostiikka, GPUd ja NVSentinel — kumppanien järjestelmiin.
- Koordinoi häiriötilanteiden hallintaa ja jälkiarviointeja NVEXin, teknisten asiakkuuspäälliköiden ja kumppanien operatiivisten tiimien kanssa.
- Johda juurisyyanalyysejä, vie korjaavat toimet päätökseen ja muuta toistuvat häiriöt automaatioksi, kuntotarkistuksiksi tai toimintaohjeiksi.
- Hallinnoi Kubernetes-solmujen elinkaarta ja toimintavarmuutta Kubernetes-, KubeVirt- ja Slurm-ympäristöissä sekä GPU-kuormitukset huomioivissa ajoittimissa.
- Määritä solmujen kuntokäytännöt ja koordinoi päivityksiä, uudelleenkäynnistyksiä sekä työkuormien turvallista tyhjentämistä GPU-kiihdytetyillä solmuilla.
Vaatimukset
- Tietojenkäsittelytieteen, sähkötekniikan tai tietotekniikan, fysiikan, matematiikan tai vastaavan alan kandidaatin, maisterin tai tohtorin tutkinto tai vastaava kokemus.
- Vähintään 8 vuotta kokemusta sivuston luotettavuustekniikasta, tuotantotekniikasta tai laajamittaisen infrastruktuurin operoinnista.
- Näyttöä laajamittaisesta tuotantoympäristöjen toimintavarmuudesta vastaamisesta. Kokemukseen kuuluu SLO-tavoitteiden ja virhebudjettien hallinta, päivystys ja häiriötilanteiden johtaminen, syyllistämättömät jälkiarvioinnit sekä mitattavat parannukset saatavuudessa tai keskeytysten välisessä ajassa.
- Käytännön kokemusta HPC- tai tekoälyklustereiden ja NVIDIA-GPU-infrastruktuurin operoinnista, mukaan lukien ajuri- ja CUDA-työkalupaketin elinkaaret, laiteohjelmistot, työkuormien profilointi sekä suorittimien, grafiikkasuorittimien ja nopeiden yhteyksien vianmääritys.
- Laaja kokemus Kubernetesin operoinnista GPU- ja HPC-ympäristöissä, mukaan lukien solmujen elinkaaret, päivitykset ja tyhjentäminen, ajoittimen toiminta, Slurm sekä bare metal- ja virtualisoitujen monivuokraajajärjestelmien yhdistelmät.
- Pythonin ja Bashin vahva osaaminen, kokemus infrastruktuurista koodina ja määritysten hallinnasta esimerkiksi Ansiblella ja Terraformilla, GitOps-pohjaisesta kaluston elinkaaren ja päivitysten hallinnasta sekä Prometheuksesta, Grafanasta ja Lokista.
- Vahva Linux-osaaminen, mukaan lukien Red Hat ja Ubuntu, käyttöjärjestelmien viritys ja tietoturva, datakeskusverkkojen perusteet sekä rinnakkais- tai yritystason tallennusjärjestelmät, kuten Lustre, GPFS, ZFS ja XFS.
- Kokemusta ennakoivien laiteohjelmisto-, mikrokoodi- tai kenttätiedotepäivitysten suunnittelusta ja toteutuksesta suuressa tuotantokalustossa.
- Tuntemus DCGM:stä, XID-diagnostiikasta, GPUd:stä, NVSentinelistä, solmujen kuntovalvonta-agenteista ja koko kaluston luotettavuustiedosta.
- Kokemusta NVIDIA GPU Operatorin ja Network Operatorin sekä NVIDIA Base Command Managerin käytöstä.
- Käytännön kokemusta Kubernetesin tekoälyajoitus- ja päättelykehyksistä, kuten KAIsta, Grovesta, Dynamo-ympäristöstä ja NVIDIA Cloud Functionsista.
- InfiniBandin tai RoCEn kaltaisten RDMA-verkkojen asiantuntemus. Cumulus Linuxin, SONiCin, Spectrum-X:n, DPU/DOCA:n sekä NVLink/NVSwitch-osiointitoimintojen tuntemus katsotaan eduksi.