STN Incorporatedは、企業や、事業上重要なソフトウェア、AIシステム、ロボットを開発するチーム向けに、マネージドITおよびクラウドインフラを提供しています。サービスには、専用CPUクラウド、GPU One AIインフラ、安全なネットワークとストレージ、継続的なクラウド運用が含まれ、24時間365日の有人サポートと高稼働率を定めたサービスレベル契約を提供します。また、サイバーセキュリティ運用とインシデント対応、コンプライアンスとリスク管理、バックアップと復旧、テクノロジーの調達およびライフサイクル管理も担います。SaaS企業、AI開発チームやモデル開発者、ロボティクス企業、医療機関などの規制対象組織にサービスを提供し、監査への備えやSOC 2 Type II、HIPAAなどの枠組みに対応できるインフラを設計しています。
スタッフプラットフォーム信頼性エンジニア、Horizon AI
キャッシュ、イベントストリーミング、可観測性、耐障害性の高いデプロイシステムを構築し、Horizon AIの信頼性の高いエージェントプラットフォームを拡張します。
仕事内容
- エージェントのツール呼び出しが不必要に外部システムへ到達しないよう、キャッシュ層を開発します。
- イベントストリーミングを導入し、サービスが同期HTTP呼び出しチェーンに依存する度合いを減らします。
- ヘルスチェック、サーキットブレーカー、再試行処理に加え、障害と性能低下を区別できる可観測性によって、エージェントのディスパッチを強化します。
- サービスレベルのメトリクス、サービス間トレーシング、対応につながるアラートを備えたプラットフォームの可観測性を構築します。
- オーケストレーションの移行を支援し、Infrastructure as Codeを開発します。
- カナリアデプロイ、トラフィック切り替え、信頼できるロールバック手順によってリリースを改善します。
- プリンシパルエンジニアと協力します。
- 当初は最高AI責任者に報告し、その後はシニアエンジニアリングマネージャーに報告します。
応募要件
- 本番環境で分散システムの信頼性を改善した経験。キャッシュ、キュー、サーキットブレーキング、バックプレッシャー、タイムアウト、冪等性を含みます。
- Pythonおよびコンテナ化環境のスキル。
- Kubernetesまたは同等のオーケストレーションプラットフォームを実務で扱った経験。
- イベントストリーミングとその障害モードに関する経験。
- メトリクスや分散トレーシングを含む、高い可観測性スキル。
- 原因ではなく症状に基づいてアラートを設定する適切な判断力。
- 信頼性改善を実現し、改善前後の結果を定量的に示した実績。
- 歓迎条件：耐久性のあるワークフローオーケストレーションの経験。
- 歓迎条件：大規模なブルーグリーンデプロイおよびカナリアデプロイの運用経験。
- 歓迎条件：Pythonサービスのパフォーマンス分析経験。
