Andromeda fournit des ressources de calcul GPU aux équipes qui développent et exécutent des charges de travail d’apprentissage automatique. Son service donne accès à la demande à des grappes d’accélérateurs NVIDIA H100, H200 et B200 pour l’expérimentation, l’entraînement de modèles et l’inférence, avec une orchestration via Slurm, Kubernetes ou SSH. Les clients peuvent choisir des options flexibles d’utilisation et de stockage, et l’équipe d’Andromeda fournit une assistance DevOps. L’entreprise exploite également GPUList.ai, une place de marché GPU tierce. Le profil disponible ne précise pas le contexte de recrutement ni les détails de l’équipe.
Ingénieur senior en fiabilité client, à distance en Europe
Résoudre les incidents des clients sur Linux, Kubernetes et les clusters GPU, et contribuer à la fiabilité de l’infrastructure de calcul pour l’IA d’Andromeda. Le poste couvre la réponse aux incidents, la coordination avec les fournisseurs, la supervision et l’automatisation opérationnelle.
Description
- Gérer les problèmes des clients depuis leur reproduction jusqu’à leur résolution, leur escalade et leur clôture
- Diagnostiquer les problèmes Linux liés aux processus, au réseau, au stockage, aux journaux du noyau, à la contention des ressources, à systemd et à journald
- Enquêter sur les défaillances Kubernetes impliquant les pods, l’état des nœuds, la planification et les limites de ressources
- Résoudre les problèmes de GPU, tels que les défaillances des pilotes et des modules complémentaires de périphériques, les erreurs XID, la limitation thermique, la mise en quarantaine ou le drainage des nœuds et les échecs de tâches sur plusieurs nœuds
- Escalader les problèmes en fournissant les éléments justificatifs nécessaires
- Participer à un roulement d’astreinte 24 h/24 et 7 j/7
- Répondre aux alertes et aux pannes signalées par les clients, évaluer leur impact, attribuer un niveau de gravité et mobiliser les équipes compétentes
- Tenir les clients informés pendant les incidents, notamment de leur état et des questions sans réponse
- Consigner les incidents et transformer les constats en procédures d’exploitation, en alertes ou en correctifs
- Déterminer si les défaillances proviennent du fournisseur, d’Andromeda ou du client
- Créer des tickets d’assistance auprès des fournisseurs de calcul et en assurer le suivi
- Surveiller les défaillances récurrentes des fournisseurs et communiquer les tendances aux décideurs chargés de l’approvisionnement
- Automatiser les vérifications manuelles avec Python ou Bash
- Développer et améliorer la supervision de l’état des clusters et des nœuds, la télémétrie GPU, les tableaux de bord et les alertes exploitables
- Tenir à jour les procédures d’exploitation et la documentation client
Exigences
- Expérience pratique du dépannage en ligne de commande sous Linux, notamment des journaux, des processus, du réseau et des disques
- Connaissance opérationnelle des pods, des nœuds, des déploiements, des services, de la planification et de l’analyse des défaillances Kubernetes
- Capacité à automatiser les tâches répétitives avec Python ou Bash
- Excellentes compétences en rédaction technique et capacité à expliquer clairement les problèmes aux clients
- Bon jugement sous pression pour établir les priorités, faire remonter les problèmes et communiquer
- Disponibilité pour participer à un roulement d’astreinte 24 h/24 et 7 j/7
- Une expérience en production avec les GPU NVIDIA, les pilotes, CUDA, DCGM et le module complémentaire de périphérique Kubernetes est un atout
- Une expérience des réseaux haute performance tels qu’InfiniBand, RoCE ou NCCL est un atout
- Une expérience de HPC ou de Slurm est un atout
- Une expérience technique en contact avec la clientèle dans l’ingénierie du support, la gestion de comptes techniques, les solutions ou les services professionnels est un atout
- Une connaissance de Prometheus, Grafana, Datadog ou d’outils similaires est un atout
- Une expérience de l’infrastructure en tant que code avec Terraform, Ansible ou Helm est un atout
- Intérêt pour l’infrastructure d’IA et les tâches d’entraînement à grande échelle
Avantages
- Participation au capital significative
- Couverture médicale, dentaire et optique pour les employés et leurs personnes à charge
- Plan 401(k)
- Congés payés illimités
- Possibilité de travailler dans une entreprise en forte croissance spécialisée dans l’infrastructure d’IA