NVIDIA sviluppa tecnologie di calcolo accelerato e intelligenza artificiale utilizzate nei videogiochi, nei data center, nel cloud computing, nell’assistenza sanitaria, nella produzione, nel settore automobilistico e nella robotica. Le sue attività comprendono unità di elaborazione grafica, piattaforme di IA, simulazione e soluzioni specifiche per diversi settori, tra cui NVIDIA Omniverse per flussi di lavoro collaborativi in 3D, NVIDIA DRIVE per lo sviluppo di veicoli autonomi e NVIDIA Clara per le applicazioni sanitarie. L’azienda riunisce grandi team tecnici impegnati nello sviluppo dell’infrastruttura e del software che supportano il calcolo avanzato, la simulazione e l’analisi basata sull’IA.
Architetto senior di soluzioni per infrastruttura cloud e affidabilità
Guida l’affidabilità operativa dei parchi GPU dei partner NVIDIA Cloud nell’area EMEA. Automatizza il ripristino dai guasti, l’osservabilità, la manutenzione e le operazioni Kubernetes su larga scala.
Descrizione
- Guida la stabilità e l’affidabilità in produzione dei parchi dei partner NVIDIA Cloud nell’area EMEA.
- Definisce e migliora le metriche di affidabilità e throughput dei carichi di lavoro per grandi cluster GPU e gestisce i budget di errore della piattaforma.
- Crea flussi automatizzati per rilevare e ripristinare i guasti di GPU, nodi, rete e storage.
- Automatizza la diagnosi dei guasti, il drenaggio e il cordonamento dei nodi, i reset e le procedure di ripristino del servizio.
- Pianifica ed esegue la manutenzione preventiva e i rollout di firmware o avvisi sul campo, dalla revisione dei rischi e dalle distribuzioni graduali alla verifica.
- Integra gli strumenti di osservabilità e affidabilità dei parchi — tra cui Prometheus, Grafana, Loki, DCGM, diagnostica XID, GPUd e NVSentinel — con i sistemi dei partner.
- Coordina la risposta agli incidenti e le revisioni successive con NVEX, i technical account manager e i team operativi dei partner.
- Guida le analisi delle cause principali, completa le azioni correttive e trasforma gli incidenti ricorrenti in automazioni, controlli di integrità o procedure operative.
- Gestisce il ciclo di vita e l’affidabilità dei nodi Kubernetes su Kubernetes, KubeVirt, Slurm e scheduler compatibili con GPU.
- Definisce le policy di integrità dei nodi e coordina aggiornamenti, riavvii e drenaggio sicuro dei carichi di lavoro sui nodi accelerati da GPU.
Requisiti
- Laurea, laurea magistrale o dottorato in informatica, ingegneria elettrica o informatica, fisica, matematica o ambito correlato, oppure esperienza equivalente.
- Almeno 8 anni di esperienza in site reliability engineering, ingegneria della produzione o gestione di infrastrutture su larga scala.
- Responsabilità comprovata dell’affidabilità della produzione su larga scala, inclusi SLO e budget di errore, reperibilità e gestione degli incidenti, revisioni senza attribuzione di colpe e miglioramenti misurabili della disponibilità o del tempo medio tra interruzioni.
- Esperienza pratica nella gestione di cluster HPC o AI e infrastruttura GPU NVIDIA, inclusi i cicli di vita dei driver e di CUDA Toolkit, firmware, profilazione dei carichi di lavoro e risoluzione dei problemi di CPU, GPU e interconnessioni ad alta velocità.
- Ampia esperienza nella gestione di Kubernetes in ambienti GPU e HPC, inclusi cicli di vita dei nodi, aggiornamenti e drenaggio, comportamento degli scheduler, Slurm e sistemi multi-tenant misti bare metal e virtualizzati.
- Ottima conoscenza di Python e Bash, infrastruttura come codice e gestione della configurazione come Ansible e Terraform, gestione del ciclo di vita dei parchi e aggiornamenti basati su GitOps, oltre a Prometheus, Grafana e Loki.
- Solide competenze Linux, inclusi Red Hat e Ubuntu, ottimizzazione e sicurezza dei sistemi operativi, fondamenti delle reti dei data center e storage parallelo o aziendale come Lustre, GPFS, ZFS e XFS.
- Esperienza nella pianificazione e nell’esecuzione di rollout proattivi di firmware, microcodice o avvisi sul campo su un grande parco di produzione.
- Familiarità con DCGM, diagnostica XID, GPUd, NVSentinel, agenti di integrità dei nodi e analisi dell’affidabilità dell’intero parco.
- Esperienza con NVIDIA GPU Operator, NVIDIA Network Operator e NVIDIA Base Command Manager.
- Esperienza pratica con framework di scheduling AI e inferenza su Kubernetes, come KAI, Grove, Dynamo e NVIDIA Cloud Functions.
- Competenza nelle reti RDMA come InfiniBand o RoCE; costituisce un plus l’esperienza con Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA e operazioni di partizionamento NVLink/NVSwitch.