d-Matrix développe une technologie d’inférence d’IA pour les centres de données, conçue pour améliorer l’efficacité des calculs grâce à l’informatique en mémoire. Fondée en 2019, l’entreprise combine la conception de circuits personnalisés, des outils d’apprentissage automatique, des logiciels, des algorithmes et des interconnexions à l’échelle des chiplets afin de relever le défi de l’intégration de la mémoire et du calcul pour les charges de travail modernes d’intelligence artificielle.
Directeur de l’ingénierie de fiabilité des sites, infrastructure d’IA — d-Matrix, Santa Clara hybride
Diriger l’organisation SRE de d-Matrix pour l’infrastructure d’inférence d’IA générative. Assurer la responsabilité de la fiabilité, de l’observabilité, de l’automatisation, du stockage et des opérations hybrides dans le cloud et sur site.
États-Unis
Californie195 000 $ – 285 000 $ / an
HybrideTemps pleinLeadLangue Requise : anglaisIngénieur DevOpsDescription
- Établir et diriger l’organisation d’ingénierie de fiabilité des sites de d-Matrix.
- Créer la charte SRE et intégrer les pratiques de fiabilité dans l’ingénierie matérielle et logicielle.
- Recruter, développer et fidéliser une équipe composée d’un à trois ingénieurs SRE.
- Gérer l’équipe de techniciens du centre de données et du laboratoire en définissant les priorités et les normes opérationnelles.
- Assurer la fiabilité 24 h/24 et 7 j/7 des installations de colocation, des clusters de laboratoire sur site, des environnements cloud et des services de plateforme destinés aux clients.
- Concevoir des systèmes résilients autour des domaines de défaillance, du déploiement progressif et d’une gestion rigoureuse des changements.
- Définir les indicateurs de niveau de service, les objectifs de niveau de service et les budgets d’erreur.
- Créer des processus d’astreinte, notamment un modèle de suivi du soleil à mesure que les opérations mondiales se développent.
- Développer des cadres de réponse aux incidents et d’analyse des causes profondes.
- Diriger l’observabilité des métriques, des traces et des journaux.
- Faire progresser l’automatisation fondée sur Terraform et Ansible, notamment l’infrastructure autoréparatrice.
- Mettre en œuvre l’automatisation du cycle de vie des hôtes, la remédiation de parc et les alertes optimisées par l’AIOps.
- Gérer la FinOps et la planification de capacité dans les environnements cloud, de colocation et sur site.
- Diriger la transition du stockage JBOD ad hoc vers un stockage partagé d’entreprise dans les environnements sur site, de colocation et cloud.
- Collaborer avec Software Tools, QA DevOps, l’Ingénierie, les Opérations réseau et les Opérations informatiques afin d’améliorer la fiabilité, l’efficacité des coûts et la gestion de la dette technique.
Exigences
- Diplôme de licence ou de master en informatique, en génie électrique ou dans une discipline connexe.
- Au moins 15 ans d’expérience en SRE, en ingénierie d’infrastructure ou en ingénierie de production.
- Au moins cinq ans d’expérience dans la direction d’équipes SRE ou d’ingénierie d’infrastructure.
- Expérience dans la création ou la reconstruction substantielle d’une fonction SRE ou d’ingénierie d’infrastructure.
- Expérience dans la définition de SLO, la mise en place de programmes d’astreinte, l’implémentation de l’observabilité et la conduite du changement organisationnel.
- Expertise avancée des systèmes Linux.
- Expérience du stockage partagé d’entreprise, notamment NAS/SAN, NFS/SMB à grande échelle, architectures d’instantanés et de réplication et intégration du stockage cloud hybride.
- Expérience de l’exploitation d’installations de colocation et de matériel sur site à grande échelle.
- Compréhension de la gestion du cycle de vie des serveurs, des systèmes d’alimentation et de refroidissement et des réseaux au niveau des racks.
- Expérience en production avec Terraform et Ansible, notamment la conception de modules, l’état distant, l’isolation des environnements et la gouvernance des changements.
- Expérience de l’exploitation de clusters Kubernetes, notamment la gestion du cycle de vie, la fiabilité des workloads, le stockage et le RBAC à grande échelle.
- Expérience de la gestion de plateformes d’observabilité telles que Prometheus, Grafana, Datadog ou Splunk.
- Solides compétences en scripting Python ou Go pour les services de production et l’automatisation de l’infrastructure.
- Excellentes aptitudes à la communication avec les cadres dirigeants.
- Capacité à travailler efficacement dans un environnement très ambigu et peu structuré.
- Une expérience de l’exploitation d’infrastructures ou de services de plateforme destinés aux clients est souhaitée.
- La connaissance d’InfiniBand, de RoCE ou de NVLink est souhaitée.
- Une expérience des ordonnanceurs HPC tels que Slurm, LSF ou équivalents est souhaitée.
- Une expérience des opérations hybrides et multicloud sur AWS, Azure et GCP est souhaitée.
- Une expertise en FinOps est souhaitée.
- La connaissance d’ITIL ou d’un cadre équivalent de gestion des incidents, des problèmes et des changements est souhaitée.
- La rédaction technique publiée, les présentations lors de conférences ou les contributions à des projets open source sont souhaitées.
- Une autorisation légale de travailler aux États-Unis est obligatoire.
Avantages
- Rémunération en actions.
- Possibilités de bonus ou d’incitations liées aux performances individuelles et à celles de l’entreprise.
- Assurance maladie.
- Assurance dentaire.
- Assurance optique.
- Plan 401(k).
- Programme de récompenses inclusif axé sur le bien-être des employés et de leurs proches.