NVIDIA razvija tehnologije ubrzanog računalstva i umjetne inteligencije koje se koriste u igrama, podatkovnim centrima, računalstvu u oblaku, zdravstvu, proizvodnji, automobilskoj industriji i robotici. Njezin rad obuhvaća grafičke procesorske jedinice, platforme umjetne inteligencije, simulacije i rješenja usmjerena na pojedine industrije, uključujući NVIDIA Omniverse za suradničke 3D radne procese, NVIDIA DRIVE za razvoj autonomnih vozila i NVIDIA Clara za zdravstvene aplikacije. Tvrtka okuplja velike tehničke timove koji rade na infrastrukturi i softveru za napredno računalstvo, simulacije i analitiku pokretanu umjetnom inteligencijom.
Viši arhitekt rješenja za infrastrukturu oblaka i pouzdanost
Vodite pouzdanost GPU flota NVIDIA Cloud partnera u produkciji diljem regije EMEA. Automatizirajte oporavak od kvarova, nadzor, održavanje i rad Kubernetes sustava u velikom opsegu.
Opis
- Vodite stabilnost i pouzdanost produkcijskog okruženja u flotama NVIDIA Cloud partnera diljem regije EMEA.
- Postavljajte i poboljšavajte mjerila pouzdanosti i propusnosti radnih opterećenja za velike GPU klastere te upravljajte proračunima pogrešaka platforme.
- Izrađujte automatizirane tijekove za otkrivanje kvarova GPU-a, čvorova, mrežne fabric i pohrane te oporavak od njih.
- Automatizirajte trijažu kvarova, pražnjenje i izolaciju čvorova, ponovno postavljanje i postupke povratka u rad.
- Planirajte i provodite preventivno održavanje te uvođenje firmvera ili terenskih obavijesti, od procjena rizika i postupnih implementacija do provjere.
- Integrirajte alate za nadziranost i pouzdanost flote, uključujući Prometheus, Grafana, Loki, DCGM, XID dijagnostiku, GPUd i NVSentinel, sa sustavima partnera.
- Koordinirajte odgovor na incidente i naknadne analize s NVEX-om, tehničkim voditeljima korisničkih računa i operativnim timovima partnera.
- Vodite istrage osnovnog uzroka, zatvarajte korektivne mjere i pretvarajte ponavljajuće incidente u automatizaciju, provjere ispravnosti ili operativne upute.
- Upravljajte životnim ciklusom i pouzdanošću Kubernetes čvorova u okruženjima Kubernetes, KubeVirt i Slurm te u raspoređivačima koji uvažavaju GPU resurse.
- Postavljajte pravila ispravnosti čvorova i koordinirajte nadogradnje, ponovna pokretanja i sigurno pražnjenje radnih opterećenja s čvorova ubrzanih GPU-om.
Zahtjevi
- Završen preddiplomski, diplomski ili doktorski studij računarstva, elektrotehnike ili računalnog inženjerstva, fizike, matematike ili srodnog područja, ili istovjetno iskustvo.
- Najmanje 8 godina iskustva u inženjerstvu pouzdanosti lokacija, produkcijskom inženjerstvu ili operacijama infrastrukture velikog opsega.
- Dokazana odgovornost za pouzdanost produkcije velikog opsega, uključujući SLO-ove i proračune pogrešaka, dežurstva i upravljanje incidentima, nepristrane analize te mjerljiva poboljšanja dostupnosti ili prosječnog vremena između prekida.
- Praktično iskustvo u radu s HPC ili AI klasterima i NVIDIA GPU infrastrukturom, uključujući životni ciklus upravljačkih programa i CUDA Toolkita, firmver, profiliranje radnih opterećenja te otklanjanje poteškoća s CPU-ima, GPU-ima i brzim međusobnim povezivanjem.
- Opsežno iskustvo s Kubernetesom u GPU i HPC okruženjima, uključujući životni ciklus čvorova, nadogradnje i pražnjenje, ponašanje raspoređivača, Slurm te višekorisničke sustave koji kombiniraju fizičku i virtualiziranu infrastrukturu.
- Poznavanje Pythona i Basha, infrastrukture kao koda i upravljanja konfiguracijom, primjerice Ansiblea i Terraforma, upravljanja životnim ciklusom i nadogradnjama flote putem GitOpsa te alata Prometheus, Grafana i Loki.
- Izvrsno poznavanje Linuxa, uključujući Red Hat i Ubuntu, podešavanja i sigurnosti operacijskih sustava, osnova mreža podatkovnih centara te paralelne ili poslovne pohrane, kao što su Lustre, GPFS, ZFS i XFS.
- Iskustvo u planiranju i provedbi proaktivnog uvođenja firmvera, mikrokoda ili terenskih obavijesti na velikoj produkcijskoj floti.
- Poznavanje DCGM-a, XID dijagnostike, GPUd-a, NVSentinela, agenata za ispravnost čvorova i analitike pouzdanosti na razini cijele flote.
- Iskustvo s NVIDIA GPU i Network Operatorima te NVIDIA Base Command Managerom.
- Praktično iskustvo s okvirima za raspoređivanje AI zadataka i inferenciju na Kubernetesu, kao što su KAI, Grove, Dynamo i NVIDIA Cloud Functions.
- Stručno poznavanje RDMA mrežnih infrastruktura kao što su InfiniBand ili RoCE; iskustvo s Cumulus Linuxom, SONiC-om, Spectrum-X-om, DPU/DOCA-om i upravljanjem particijama NVLink/NVSwitch sustava prednost je.