Andromeda pruža GPU računalne resurse timovima koji razvijaju i pokreću zadatke strojnog učenja. Njezina usluga omogućuje pristup na zahtjev klasterima akceleratora NVIDIA H100, H200 i B200 za eksperimentiranje, treniranje modela i izvođenje inferencije, uz orkestraciju putem sustava Slurm, Kubernetes ili SSH. Korisnici mogu odabrati fleksibilne mogućnosti korištenja i pohrane, a Andromedin tim pruža DevOps podršku. Tvrtka upravlja i GPUList.ai, tržištem GPU-a trećih strana. Dostupni profil ne navodi kontekst zapošljavanja ni pojedinosti o timu.
Viši inženjer za pouzdanost korisničkih sustava – Europa, rad na daljinu
Rješavajte korisničke incidente u okruženjima Linuxa, Kubernetesa i GPU klastera te pridonesite pouzdanosti Andromedine računalne infrastrukture za umjetnu inteligenciju. Posao obuhvaća odgovor na incidente, koordinaciju s pružateljima usluga, nadzor i automatizaciju operacija.
Opis
- Vodite rješavanje korisničkih problema od ponavljanja problema do rješenja, eskalacije i zatvaranja
- Dijagnosticirajte probleme u Linuxu povezane s procesima, umrežavanjem, pohranom, zapisima jezgre, nadmetanjem za resurse, systemd-om i journald-om
- Istražujte kvarove Kubernetesa povezane s podovima, stanjem čvorova, raspoređivanjem i ograničenjima resursa
- Rješavajte probleme s GPU-ima, kao što su kvarovi upravljačkih programa i dodataka za uređaje, pogreške XID, toplinsko ograničavanje performansi, stavljanje čvorova u karantenu ili njihovo pražnjenje te kvarovi poslova na više čvorova
- Po potrebi eskalirajte probleme uz priložene dokaze
- Sudjelujte u dežurstvu 24 sata dnevno, 7 dana u tjednu
- Odgovarajte na upozorenja i prekide rada koje prijave korisnici, procjenjujte njihov utjecaj, određujte ozbiljnost i uključujte odgovarajuće timove
- Tijekom incidenata obavještavajte korisnike o statusu i neriješenim pitanjima
- Bilježite incidente i pretvarajte saznanja u operativne upute, upozorenja ili ispravke
- Utvrđujte potječu li kvarovi od pružatelja usluge, Andromede ili korisnika
- Otvarajte zahtjeve za podršku kod pružatelja računalnih resursa i pratite njihovo rješavanje
- Pratite ponavljajuće kvarove pružatelja i dijelite uočene obrasce s osobama koje odlučuju o odabiru dobavljača
- Automatizirajte ručne provjere pomoću Pythona ili Basha
- Razvijajte i poboljšavajte nadzor stanja klastera i čvorova, telemetriju GPU-a, nadzorne ploče i upozorenja koja omogućuju djelovanje
- Održavajte operativne upute i korisničku dokumentaciju ažurnima
Zahtjevi
- Praktično iskustvo u rješavanju problema putem naredbenog retka Linuxa, uključujući zapise, procese, umrežavanje i diskove
- Radno poznavanje podova, čvorova, implementacija, usluga i raspoređivanja u Kubernetesu te istraživanja kvarova
- Sposobnost automatiziranja ponavljajućih zadataka pomoću Pythona ili Basha
- Izražene vještine tehničkog pisanja i sposobnost jasnog objašnjavanja problema korisnicima
- Dobra prosudba pri određivanju prioriteta, eskalaciji i komunikaciji pod pritiskom
- Spremnost na sudjelovanje u dežurstvu 24/7
- Prednost je produkcijsko iskustvo s NVIDIA GPU-ima, upravljačkim programima, CUDA-om, DCGM-om i dodatkom za uređaje Kubernetesa
- Prednost je iskustvo s visokoučinkovitim umrežavanjem putem InfiniBanda, RoCE-a ili NCCL-a
- Prednost je iskustvo s HPC-om ili Slurmom
- Prednost je tehničko iskustvo u radu s korisnicima u području inženjerske podrške, tehničkog upravljanja korisničkim računima, rješenja ili profesionalnih usluga
- Prednost je poznavanje Prometheusa, Grafane, Datadoga ili sličnih alata
- Prednost je iskustvo s infrastrukturom kao kodom pomoću Terraform-a, Ansible-a ili Helma
- Zanimanje za infrastrukturu umjetne inteligencije i opsežne poslove treniranja
Pogodnosti
- Značajan vlasnički udio
- Zdravstveno, stomatološko i očnog vida osiguranje za zaposlenike i uzdržavane članove obitelji
- Plan 401(k)
- Neograničen plaćeni dopust
- Prilika za rad u brzorastućoj tvrtki usmjerenoj na infrastrukturu umjetne inteligencije