Az Andromeda GPU-számítási kapacitást biztosít olyan csapatoknak, amelyek gépi tanulási feladatokat fejlesztenek és futtatnak. Szolgáltatása igény szerinti hozzáférést kínál NVIDIA H100, H200 és B200 gyorsítókból álló klaszterekhez kísérletezéshez, modelltréninghez és következtetéshez; a klaszterek Slurm, Kubernetes vagy SSH segítségével hangolhatók össze. Az ügyfelek rugalmas használati és tárhelylehetőségek közül választhatnak, az Andromeda csapata pedig DevOps-támogatást nyújt. A vállalat a GPUList.ai nevű, harmadik fél által működtetett GPU-piacteret is üzemelteti. A rendelkezésre álló profil nem részletezi a toborzás körülményeit vagy a csapatot.
Vezető ügyfélmegbízhatósági mérnök, távoli munkavégzés Európában
Hárítsa el az ügyfélincidenseket Linux-, Kubernetes- és GPU-fürtökben, és járuljon hozzá az Andromeda MI-számítási infrastruktúrájának megbízhatóságához. A munkakör az incidenskezelést, a szolgáltatókkal való egyeztetést, a megfigyelést és az üzemeltetési automatizálást foglalja magában.
Leírás
- Kezelje az ügyfélproblémákat a reprodukálástól a megoldáson és eszkaláción át a lezárásig
- Diagnosztizálja a Linux-problémákat, beleértve a folyamatokat, a hálózatot, a tárolást, a kernelnaplókat, az erőforrások versengését, a systemd-t és a journaldot
- Vizsgálja ki a podokat, csomóponti állapotokat, ütemezést és erőforráskorlátokat érintő Kubernetes-hibákat
- Hárítsa el az olyan GPU-problémákat, mint az illesztőprogramok és eszközbővítmények hibái, az XID-hibák, a hő miatti teljesítménycsökkenés, a csomópontok cordon állapotba helyezése vagy kiürítése, valamint a többcsomópontos feladatok hibái
- Szükség esetén az alátámasztó bizonyítékokkal együtt eszkalálja a problémákat
- Vegyen részt a 24/7-es ügyeleti beosztásban
- Válaszoljon a riasztásokra és az ügyfelek által jelentett kiesésekre, mérje fel a hatást, állapítsa meg a súlyosságot, és vonja be a megfelelő csapatokat
- Az incidensek során tájékoztassa az ügyfeleket az állapotról és a megválaszolatlan kérdésekről
- Rögzítse az incidenseket, és alakítsa a megállapításokat üzemeltetési útmutatókká, riasztásokká vagy javításokká
- Állapítsa meg, hogy a hibák a szolgáltatótól, az Andromedától vagy az ügyféltől erednek-e
- Hozzon létre támogatási jegyeket a számítási szolgáltatóknál, és kövesse nyomon azokat
- Kövesse a szolgáltatóknál ismétlődő hibákat, és ossza meg a mintázatokat a beszerzési döntéshozókkal
- Automatizálja a manuális ellenőrzéseket Python vagy Bash használatával
- Fejlessze és javítsa a fürtök és csomópontok állapotának megfigyelését, a GPU-telemetriát, az irányítópultokat és a végrehajtható riasztásokat
- Tartsa naprakészen az üzemeltetési útmutatókat és az ügyféldokumentációt
Követelmények
- Gyakorlati Linux-parancssori hibaelhárítási tapasztalat, beleértve a naplókat, folyamatokat, hálózatot és lemezeket
- A Kubernetes-podok, csomópontok, telepítések, szolgáltatások, ütemezés és hibavizsgálat ismerete
- Ismétlődő feladatok automatizálása Python vagy Bash használatával
- Erős műszaki íráskészség és a problémák ügyfelek számára érthető magyarázatának képessége
- Megfontolt döntéshozatal nyomás alatt, a prioritások meghatározásakor, eszkaláláskor és kommunikációkor
- Hajlandóság a 24/7-es ügyeleti beosztásban való részvételre
- Előnyt jelent az NVIDIA GPU-k éles környezetben szerzett tapasztalata, beleértve az illesztőprogramokat, a CUDA-t, a DCGM-et és a Kubernetes eszközbővítményét
- Előnyt jelent az InfiniBand, RoCE vagy NCCL használatával szerzett nagy teljesítményű hálózati tapasztalat
- Előnyt jelent a HPC- vagy Slurm-tapasztalat
- Előnyt jelent az ügyfélkapcsolati műszaki tapasztalat a támogatásmérnöki munka, a műszaki ügyfélkapcsolat-kezelés, a megoldások vagy a professzionális szolgáltatások területén
- Előnyt jelent a Prometheus, Grafana, Datadog vagy hasonló eszközök ismerete
- Előnyt jelent a Terraform, Ansible vagy Helm használatával szerzett Infrastructure as Code tapasztalat
- Érdeklődés az MI-infrastruktúra és a nagyméretű tanítási feladatok iránt
Juttatások
- Érdemi részesedési juttatás
- Egészségügyi, fogászati és látásbiztosítás a munkavállalóknak és eltartottjaiknak
- 401(k) nyugdíj-megtakarítási program
- Korlátlan fizetett szabadság
- Lehetőség egy MI-infrastruktúrára összpontosító, gyorsan növekvő vállalatnál dolgozni