Bumubuo ang NVIDIA ng mga teknolohiya para sa pinabilis na computing at artificial intelligence na ginagamit sa gaming, mga data center, cloud computing, pangangalagang pangkalusugan, pagmamanupaktura, automotive, at robotics. Saklaw ng gawain nito ang mga graphics processing unit, AI platform, simulation, at mga solusyong nakatuon sa iba’t ibang industriya, kabilang ang NVIDIA Omniverse para sa magkatuwang na 3D workflow, NVIDIA DRIVE para sa pagbuo ng mga autonomous na sasakyan, at NVIDIA Clara para sa mga aplikasyon sa pangangalagang pangkalusugan. Pinagsasama ng kumpanya ang malalaking teknikal na team na gumagawa ng imprastraktura at software na sumusuporta sa advanced computing, simulation, at AI-driven analytics.
Senior na Arkitek ng Solusyon sa Imprastraktura ng Cloud at Pagiging Maaasahan
Pangasiwaan ang Day 2 reliability ng mga GPU fleet ng NVIDIA Cloud Partner sa buong EMEA. I-automate ang pagbangon mula sa mga aberya, observability, maintenance, at mga operasyon ng Kubernetes sa malawakang saklaw.
Paglalarawan
- Pangasiwaan ang katatagan at pagiging maaasahan ng produksyon sa mga fleet ng NVIDIA Cloud Partner sa buong EMEA.
- Magtakda at magpahusay ng mga sukatan ng reliability at throughput ng workload para sa malalaking GPU cluster, at pamahalaan ang error budget ng platform.
- Bumuo ng mga awtomatikong workflow para sa pagtukoy at pagbangon mula sa mga pagkabigo ng GPU, node, network fabric, at storage.
- I-automate ang pag-triage ng aberya, pag-drain at pag-cordon ng node, pag-reset, at mga pamamaraan ng pagbabalik sa serbisyo.
- Planuhin at isagawa ang preventive maintenance at mga rollout ng firmware o field notice, mula sa pagsusuri ng panganib at naka-yugtong deployment hanggang sa beripikasyon.
- Isama sa mga sistema ng partner ang mga tool para sa observability at reliability ng fleet—kabilang ang Prometheus, Grafana, Loki, DCGM, XID diagnostics, GPUd, at NVSentinel.
- Makipag-ugnayan sa pagtugon sa insidente at mga pagsusuri pagkatapos ng insidente kasama ang NVEX, mga technical account manager, at mga pangkat ng operasyon ng partner.
- Pangasiwaan ang mga imbestigasyon sa ugat ng problema, tapusin ang mga pagwawasto, at gawing automation, health check, o runbook ang mga paulit-ulit na insidente.
- Pamahalaan ang lifecycle at pagiging maaasahan ng mga Kubernetes node sa Kubernetes, KubeVirt, Slurm, at mga scheduler na may suporta sa GPU.
- Magtakda ng mga patakaran sa kalusugan ng node at makipag-ugnayan sa mga upgrade, reboot, at ligtas na pag-drain ng workload sa mga node na pinabilis ng GPU.
Mga Kinakailangan
- Bachelor’s, master’s, o doctoral degree sa computer science, electrical o computer engineering, physics, mathematics, o kaugnay na larangan, o katumbas na karanasan.
- Hindi bababa sa 8 taon sa site reliability engineering, production engineering, o malawakang operasyon ng imprastraktura.
- Napatunayang pananagutan sa reliability ng produksyon sa malawakang saklaw, kabilang ang mga SLO at error budget, on-call at incident command, mga pagsusuring walang paninisi, at nasusukat na pagbuti sa availability o mean time between interruptions.
- Aktuwal na karanasan sa pagpapatakbo ng mga HPC o AI cluster at imprastraktura ng NVIDIA GPU, kabilang ang lifecycle ng driver at CUDA toolkit, firmware, pag-profile ng workload, at pag-troubleshoot ng CPU, GPU, at mga high-speed interconnect.
- Malawak na karanasan sa pagpapatakbo ng Kubernetes sa mga kapaligirang GPU at HPC, kabilang ang lifecycle ng node, mga upgrade at pag-drain, gawi ng scheduler, Slurm, at mga sistemang multi-tenant na pinagsasama ang bare metal at virtualization.
- Mahusay sa Python at Bash, infrastructure as code at configuration management gaya ng Ansible at Terraform, lifecycle at mga upgrade ng fleet gamit ang GitOps, at Prometheus, Grafana, at Loki.
- Matibay na kaalaman sa Linux, kabilang ang Red Hat at Ubuntu, pag-tune at seguridad ng operating system, mga batayan ng data-center networking, at parallel o enterprise storage gaya ng Lustre, GPFS, ZFS, at XFS.
- Karanasan sa pagpaplano at pagsasagawa ng mga maagap na rollout ng firmware, microcode, o field notice sa malaking production fleet.
- Pamilyar sa DCGM, XID diagnostics, GPUd, NVSentinel, mga node health agent, at fleet-wide reliability intelligence.
- Karanasan sa NVIDIA GPU at Network Operators at NVIDIA Base Command Manager.
- Praktikal na karanasan sa AI scheduling at mga inference framework sa Kubernetes, gaya ng KAI, Grove, Dynamo, at NVIDIA Cloud Functions.
- Dalubhasa sa mga RDMA fabric gaya ng InfiniBand o RoCE; dagdag na bentahe ang karanasan sa Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA, at mga operasyon ng NVLink/NVSwitch partition.