NVIDIAは、ゲーム、データセンター、クラウドコンピューティング、ヘルスケア、製造、自動車、ロボティクスなど幅広い分野で活用されるアクセラレーテッドコンピューティングと人工知能の技術を開発しています。グラフィックスプロセッシングユニット、AIプラットフォーム、シミュレーション、業界向けソリューションなどを手がけており、協働型3Dワークフロー向けのNVIDIA Omniverse、自動運転車両開発向けのNVIDIA DRIVE、ヘルスケア向けのNVIDIA Claraなどを展開しています。同社には、先進的なコンピューティング、シミュレーション、AIを活用した分析を支えるインフラストラクチャとソフトウェアに取り組む大規模な技術チームがあります。
シニアクラウドインフラストラクチャ・信頼性ソリューションアーキテクト
EMEA地域のNVIDIA Cloud Partner GPUフリートにおけるDay 2の信頼性を主導。 障害復旧、可観測性、保守、Kubernetes運用を大規模に自動化します。
仕事内容
- EMEA地域のNVIDIA Cloud Partnerフリート全体で、本番環境の安定性と信頼性を主導します。
- 大規模GPUクラスターの信頼性とワークロード処理量の指標を設定・改善し、プラットフォームのエラーバジェットを管理します。
- GPU、ノード、ネットワークファブリック、ストレージの障害を対象とする自動検出・復旧ワークフローを構築します。
- 障害のトリアージ、ノードのドレインと隔離、リセット、サービス復帰の手順を自動化します。
- リスクレビュー、段階的な展開から検証まで、予防保守とファームウェアまたはフィールド通知の展開を計画・実施します。
- Prometheus、Grafana、Loki、DCGM、XID診断、GPUd、NVSentinelなどのフリート可観測性・信頼性ツールをパートナーのシステムと連携させます。
- NVEX、テクニカルアカウントマネージャー、パートナー運用チームとインシデント対応や事後レビューを調整します。
- 根本原因調査を主導して是正措置を完了し、繰り返し発生するインシデントを自動化、ヘルスチェック、ランブックに反映します。
- Kubernetes、KubeVirt、Slurm、GPU対応スケジューラーにわたるKubernetesノードのライフサイクルと信頼性を管理します。
- ノードの健全性ポリシーを策定し、GPUアクセラレーテッドノードのアップグレード、再起動、安全なワークロードドレインを調整します。
応募要件
- コンピューターサイエンス、電気またはコンピューター工学、物理学、数学、もしくは関連分野の学士号・修士号・博士号、または同等の実務経験。
- サイト信頼性エンジニアリング、プロダクションエンジニアリング、または大規模インフラ運用で8年以上の経験。
- SLOとエラーバジェット、オンコールとインシデント指揮、非難のないレビュー、可用性または中断間隔の測定可能な改善など、大規模な本番環境の信頼性を担った実績。
- HPCまたはAIクラスターとNVIDIA GPUインフラの運用経験。ドライバーとCUDAツールキットのライフサイクル、ファームウェア、ワークロードプロファイリング、CPU・GPU・高速インターコネクトのトラブルシューティングを含みます。
- GPU・HPC環境でのKubernetes運用に関する豊富な経験。ノードのライフサイクル、アップグレードとドレイン、スケジューラーの動作、Slurm、ベアメタルと仮想化が混在するマルチテナントシステムを含みます。
- PythonとBashに精通し、AnsibleやTerraformなどのInfrastructure as Codeと構成管理、GitOpsベースのフリートライフサイクル管理とアップグレード、Prometheus、Grafana、Lokiを扱えること。
- Red HatとUbuntuを含むLinux、OSのチューニングとセキュリティ、データセンターネットワークの基礎、Lustre、GPFS、ZFS、XFSなどの並列またはエンタープライズストレージに関する深い知識。
- 大規模な本番フリートで、ファームウェア、マイクロコード、またはフィールド通知を先行展開する計画と実行の経験。
- DCGM、XID診断、GPUd、NVSentinel、ノードヘルスエージェント、フリート全体の信頼性分析に関する知識。
- NVIDIA GPU Operator、NVIDIA Network Operator、NVIDIA Base Command Managerの使用経験。
- KAI、Grove、Dynamo、NVIDIA Cloud Functionsなど、Kubernetes上のAIスケジューリングおよび推論フレームワークの実務経験。
- InfiniBandやRoCEなどのRDMAファブリックに関する専門知識。Cumulus Linux、SONiC、Spectrum-X、DPU/DOCA、NVLink/NVSwitchのパーティション運用経験があれば尚可。