

Andromedaは、機械学習のワークロードを構築・実行するチーム向けにGPUコンピューティングを提供しています。サービスでは、NVIDIA H100、H200、B200アクセラレーターを搭載したクラスターを必要に応じて利用でき、実験、モデルの学習、推論に対応します。Slurm、Kubernetes、SSHを通じてオーケストレーションでき、利用方法やストレージの柔軟な選択肢もあります。また、AndromedaのチームはDevOpsサポートを提供しています。同社はサードパーティのGPUマーケットプレイスGPUList.aiも運営しています。採用に関する背景やチームの詳細は、提供されているプロフィールには記載されていません。
シニアカスタマー信頼性エンジニア(欧州・リモート)
Linux、Kubernetes、GPU クラスターに関する顧客インシデントを調査し、Andromeda の AI コンピューティング基盤の信頼性維持を支援します。 インシデント対応、プロバイダーとの調整、監視、運用自動化を担当します。
仕事内容
- 問題の再現から解決、エスカレーション、クローズまで顧客の問題を管理する
- プロセス、ネットワーク、ストレージ、カーネルログ、リソース競合、systemd、journald に関する Linux の問題を診断する
- Pod、ノードの状態、スケジューリング、リソース制限に関する Kubernetes の障害を調査する
- ドライバーやデバイスプラグインの障害、XID エラー、熱スロットリング、ノードのコーディングやドレイン、マルチノードジョブの失敗など、GPU の問題をトラブルシューティングする
- 必要に応じて根拠となる情報を添えて問題をエスカレーションする
- 24 時間 365 日のオンコールローテーションに参加する
- アラートや顧客から報告された停止に対応し、影響を評価して重大度を判定し、適切なチームと連携する
- インシデント中、状況や未解決の質問を含めて顧客に最新情報を伝える
- インシデントを記録し、調査結果をランブック、アラート、修正に反映する
- 障害の原因がプロバイダー、Andromeda、顧客のいずれにあるかを特定する
- コンピューティングプロバイダーへのサポートチケットを作成し、進捗を確認する
- プロバイダーで繰り返し発生する障害を監視し、調達の意思決定者に傾向を共有する
- Python または Bash を使って手作業のチェックを自動化する
- クラスターとノードの健全性監視、GPU テレメトリー、ダッシュボード、実行可能なアラートを開発・改善する
- ランブックと顧客向けドキュメントを最新の状態に保つ
応募要件
- ログ、プロセス、ネットワーク、ディスクを含む Linux コマンドラインでの実践的なトラブルシューティング経験
- Kubernetes の Pod、ノード、デプロイ、サービス、スケジューリング、障害調査に関する実務知識
- Python または Bash で反復作業を自動化できること
- 優れた技術文書作成能力と、顧客に問題を明確に説明する能力
- 優先順位付け、エスカレーション、コミュニケーションにおいて、プレッシャー下でも適切に判断できること
- 24 時間 365 日のオンコールローテーションに参加できること
- ドライバー、CUDA、DCGM、Kubernetes デバイスプラグインを含む NVIDIA GPU の本番環境経験があれば尚可
- InfiniBand、RoCE、NCCL を使った高性能ネットワークの経験があれば尚可
- HPC または Slurm の経験があれば尚可
- サポートエンジニアリング、テクニカルアカウント管理、ソリューション、プロフェッショナルサービスなど、顧客対応を伴う技術職の経験があれば尚可
- Prometheus、Grafana、Datadog、または類似ツールの知識があれば尚可
- Terraform、Ansible、Helm などを用いた Infrastructure as Code の経験があれば尚可
- AI インフラストラクチャと大規模なトレーニングジョブへの関心
福利厚生
- 意義ある株式報酬
- 従業員と扶養家族を対象とした医療、歯科、眼科の保険
- 401(k) プラン
- 取得日数の上限がない有給休暇
- AI インフラストラクチャに注力する急成長企業で働く機会





