Andromeda tarjoaa GPU-laskentatehoa koneoppimisen työkuormia kehittäville ja käyttäville tiimeille. Palvelu tarjoaa tarvittaessa käyttöön NVIDIA H100-, H200- ja B200-kiihdyttimillä varustettuja klustereita kokeiluun, mallien kouluttamiseen ja päättelyyn. Työkuormia voi hallita Slurmilla, Kubernetesilla tai SSH:n kautta. Asiakkaat voivat valita joustavat käyttö- ja tallennusvaihtoehdot, ja Andromedan tiimi tarjoaa DevOps-tukea. Yhtiö ylläpitää myös kolmannen osapuolen GPU-markkinapaikkaa GPUList.ai. Saatavilla olevassa profiilissa ei kerrota rekrytointiin liittyvistä olosuhteista tai tiimin yksityiskohdista.
Senior-tason asiakasluotettavuusinsinööri, etätyö Euroopassa
Selvität asiakastilanteita Linux-, Kubernetes- ja GPU-klustereissa sekä autat pitämään Andromedan tekoälylaskentainfrastruktuurin luotettavana. Työhön kuuluu häiriötilanteiden hallintaa, palveluntarjoajien kanssa koordinointia, valvontaa ja operatiivisten tehtävien automatisointia.
Kuvaus
- Vastaat asiakasongelmista niiden toistamisesta ratkaisuun, eskalointiin ja käsittelyyn asti
- Selvität Linux-ongelmia, jotka liittyvät prosesseihin, verkkoihin, tallennukseen, ytimen lokeihin, resurssikilpailuun, systemd:hen ja journald:iin
- Tutkit Kubernetes-vikoja, jotka liittyvät podeihin, solmujen tilaan, ajoitukseen ja resurssirajoihin
- Selvität GPU-ongelmia, kuten ajuri- ja laiteplugin-vikoja, XID-virheitä, lämpökuristusta, solmujen eristämistä tai tyhjentämistä sekä usean solmun töiden epäonnistumisia
- Eskaloi ongelmat tarvittaessa ja liität mukaan niitä tukevat tiedot
- Osallistut ympärivuorokautiseen päivystyskiertoon
- Reagoit hälytyksiin ja asiakkaiden ilmoittamiin käyttökatkoihin, arvioit vaikutukset, määrität vakavuusasteen ja otat mukaan tarvittavat tiimit
- Pidät asiakkaat ajan tasalla häiriötilanteissa, mukaan lukien tilanteen eteneminen ja avoimet kysymykset
- Kirjaat häiriöt ja muutat havainnot toimintaohjeiksi, hälytyksiksi tai korjauksiksi
- Selvität, johtuuko vika palveluntarjoajasta, Andromedasta vai asiakkaasta
- Luot tukipyyntöjä laskentapalvelujen tarjoajille ja seuraat niiden etenemistä
- Seuraat palveluntarjoajien toistuvia vikoja ja jaat havaittuja malleja hankintapäätöksistä vastaaville
- Automatisoit manuaalisia tarkistuksia Pythonilla tai Bashilla
- Kehität ja parannat klusterien ja solmujen kunnonvalvontaa, GPU-telemetriaa, koontinäyttöjä ja toimintaan ohjaavia hälytyksiä
- Pidät toimintaohjeet ja asiakasdokumentaation ajan tasalla
Vaatimukset
- Käytännön kokemus Linuxin komentoriviltä tehtävästä vianmäärityksestä, mukaan lukien lokit, prosessit, verkot ja levyt
- Käyttötason tuntemus Kubernetes-podeista, solmuista, käyttöönotosta, palveluista, ajoituksesta ja vikojen selvittämisestä
- Kyky automatisoida toistuvia tehtäviä Pythonilla tai Bashilla
- Hyvät teknisen kirjoittamisen taidot ja kyky selittää ongelmat asiakkaille selkeästi
- Harkintakyky paineen alla priorisoinnissa, eskaloinnissa ja viestinnässä
- Valmius osallistua ympärivuorokautiseen päivystyskiertoon
- NVIDIA-GPU:iden tuotantokäyttökokemus ajureista, CUDAsta, DCGM:stä ja Kubernetes-laitepluginista katsotaan eduksi
- Tehokkaiden verkkoratkaisujen kokemus InfiniBandista, RoCEsta tai NCCL:stä katsotaan eduksi
- HPC- tai Slurm-kokemus katsotaan eduksi
- Asiakasrajapinnassa hankittu tekninen kokemus tukitehtävistä, teknisestä asiakkuudenhallinnasta, ratkaisuista tai asiantuntijapalveluista katsotaan eduksi
- Prometheuksen, Grafanan, Datadogin tai vastaavien työkalujen tuntemus katsotaan eduksi
- Kokemus infrastruktuurin koodipohjaisesta hallinnasta Terraformilla, Ansiblella tai Helmillä katsotaan eduksi
- Kiinnostus tekoälyinfrastruktuuriin ja laajamittaisiin koulutustöihin
Edut
- Merkittävä osakepalkkio
- Työntekijöiden ja heidän huollettaviensa sairaanhoito-, hammashoito- ja näkövakuutusturva
- 401(k)-eläkesäästösuunnitelma
- Rajoittamaton palkallinen vapaa-aika
- Mahdollisuus työskennellä nopeasti kasvavassa tekoälyinfrastruktuuriin keskittyvässä yrityksessä