AIインフラ運用エンジニア（コンピュート・ストレージ）
Highrise AI の GPU コンピュートおよびストレージ基盤に対する Tier 2 サポートを担当し、エスカレーションされたインフラの問題を解決します。 Linux、Kubernetes、Slurm、GPU システム、分散ストレージを幅広く扱います。
仕事内容
- 大規模な GPU コンピュートおよびストレージ基盤に対する Tier 2 の運用サポートを提供します。
- エスカレーションされたインシデント、サービスリクエスト、問題チケットを解決まで対応し、必要に応じて再エスカレーションするか、記録を残して引き継ぎます。
- ログ、監視ダッシュボード、管理インターフェース、承認済みの診断ツールを使って、コンピュートとストレージの障害を診断します。
- 重大度と顧客への影響を評価し、運用目標および SLA の範囲内でサービス復旧を調整します。
- トラブルシューティングの内容を記録し、チケットを更新し、シフト間の引き継ぎを準備して、Tier 3 チームまたは OEM に問題をエスカレーションします。
- Linux サーバー、GPU のヘルスアラート、起動障害、ファームウェアやドライバーの問題、ハードウェア障害、リソースの可用性問題をトラブルシューティングします。
- ノードのプロビジョニング、イメージの再適用、構成変更、定期メンテナンス、サービス復帰確認を支援します。
- Kubernetes および Slurm のノードやワークロードの障害を調査します。
- 接続性や GPU 通信の症状を分析し、より詳しい調査にはネットワーク担当者や Tier 3 エンジニアと連携します。
- 分散ストレージおよび高性能ストレージシステムを監視し、トラブルシューティングします。
- ファイルシステムのマウント失敗、ストレージノードやディスクのアラート、サービスの劣化、アクセスや性能に関する問題を調査します。
- ストレージベンダーやデータホールの技術者と連携し、承認済みの復旧、メンテナンス、コンポーネント交換の手順を実施します。
- ファイル、オブジェクト、ブロックストレージの各プラットフォームをサポートします。
- アップグレード、計画メンテナンス、クラスター拡張、検証作業を支援します。
- 資産、構成、チケットの記録を管理し、運用手順書、チェックリスト、ナレッジ記事を改善します。
- 繰り返し発生するインシデントを特定し、スクリプトやインフラ管理ツールで定型的な運用作業を自動化します。
- リモートのエンジニアリングチーム、現地技術者、OEM、ベンダーと連携します。
応募要件
- コンピューターサイエンス、工学または関連分野の学士号、または同等の実務経験。
- 本番環境で Linux サーバー、HPC、クラウド、データセンターインフラをサポートした 3～6 年の経験。
- エンタープライズ向けコンピュートハードウェア、iDRAC や iLO などの BMC インターフェース、OS、監視ツールの実践的なトラブルシューティング経験。
- NFS、分散ファイルシステム、オブジェクトストレージ、ストレージ性能の基礎知識。
- チケット管理システムおよび変更管理手順の使用経験。
- 日常的な診断や自動化のために Bash または Python でスクリプトを作成した経験。
- NVIDIA GPU システム、InfiniBand/RDMA、Kubernetes、Slurm、AI/HPC ストレージプラットフォームの経験があれば尚可。
- 構造的かつ証拠に基づいてトラブルシューティングを行い、修復、連携、エスカレーションを適切に判断できること。
- チケット対応に責任を持ち、運用上の細部にも注意を払えること。
- NOC、SRE、ハードウェア、ネットワーク、ストレージ、Tier 3 エンジニアリングの各チームと効果的に連携できること。
- 英語で明確に口頭および文書でコミュニケーションできること。
- クラスターの立ち上げ、受け入れ、複雑なトラブルシューティングのためにデータセンターへ出張できること。
- 通常の勤務時間外に重大インシデントやメンテナンスを支援できる柔軟性。
福利厚生
- 大規模 AI クラスターの性能、信頼性、本番稼働への準備に直接貢献できます。
- 経験豊富なインフラエンジニアと協働できます。
- 拡大を続けるグローバル AI インフラ基盤の技術標準づくりに携われます。
- 多様な学歴や職歴を持つ同僚と協力できます。
- 新しい製品、サービス、取り組みのアイデアを経営陣に提案し、発表できます。
- テクノロジー、エネルギー、インフラ分野での専門的なネットワークを築けます。
- 障害のある方には合理的配慮を提供します。
