NVIDIA membangunkan teknologi pengkomputeran dipercepat dan kecerdasan buatan yang digunakan dalam pelbagai bidang, termasuk permainan video, pusat data, pengkomputeran awan, penjagaan kesihatan, pembuatan, automotif dan robotik. Usahanya merangkumi unit pemprosesan grafik, platform AI, simulasi serta penyelesaian khusus industri, termasuk NVIDIA Omniverse untuk aliran kerja 3D kolaboratif, NVIDIA DRIVE untuk pembangunan kenderaan autonomi dan NVIDIA Clara untuk aplikasi penjagaan kesihatan. Syarikat ini menghimpunkan pasukan teknikal besar yang membangunkan infrastruktur dan perisian untuk menyokong pengkomputeran termaju, simulasi dan analitik berasaskan AI.
Arkitek Penyelesaian Kanan Infrastruktur Awan dan Kebolehpercayaan
Pimpin kebolehpercayaan Day 2 bagi armada GPU NVIDIA Cloud Partner di seluruh EMEA. Automatikkan pemulihan kerosakan, pemerhatian, penyelenggaraan dan operasi Kubernetes pada skala besar.
Penerangan
- Pimpin kestabilan dan kebolehpercayaan produksi bagi armada NVIDIA Cloud Partner di seluruh EMEA.
- Tetapkan dan tingkatkan ukuran kebolehpercayaan serta daya pemprosesan beban kerja untuk kelompok GPU besar, dan urus belanjawan ralat platform.
- Bina aliran kerja pengesanan dan pemulihan automatik bagi kegagalan GPU, nod, fabrik rangkaian dan storan.
- Automatikkan triage kerosakan, pengosongan dan pengasingan nod, tetapan semula serta prosedur pemulihan perkhidmatan.
- Rancang dan laksanakan penyelenggaraan pencegahan serta pelancaran perisian tegar atau notis lapangan, daripada semakan risiko dan pelaksanaan berperingkat hingga pengesahan.
- Integrasikan alat pemerhatian dan kebolehpercayaan armada—termasuk Prometheus, Grafana, Loki, DCGM, diagnostik XID, GPUd dan NVSentinel—dengan sistem rakan kongsi.
- Selaraskan tindak balas insiden dan semakan pascainsiden dengan NVEX, pengurus akaun teknikal dan pasukan operasi rakan kongsi.
- Pimpin penyiasatan punca akar, selesaikan tindakan pembetulan, dan ubah insiden berulang menjadi automasi, pemeriksaan kesihatan atau runbook.
- Urus kitar hayat dan kebolehpercayaan nod Kubernetes merentas Kubernetes, KubeVirt, Slurm dan penjadual yang menyokong GPU.
- Tetapkan dasar kesihatan nod dan selaraskan naik taraf, but semula serta pengosongan beban kerja yang selamat pada nod dipercepat GPU.
Keperluan
- Ijazah sarjana muda, sarjana atau kedoktoran dalam sains komputer, kejuruteraan elektrik atau komputer, fizik, matematik atau bidang berkaitan, atau pengalaman setara.
- Sekurang-kurangnya 8 tahun dalam kejuruteraan kebolehpercayaan tapak, kejuruteraan produksi atau operasi infrastruktur berskala besar.
- Tanggungjawab terbukti terhadap kebolehpercayaan produksi pada skala besar, termasuk SLO dan belanjawan ralat, tugas panggilan dan komando insiden, semakan tanpa menyalahkan, serta peningkatan terukur dalam ketersediaan atau purata masa antara gangguan.
- Pengalaman langsung mengendalikan kelompok HPC atau AI dan infrastruktur GPU NVIDIA, termasuk kitar hayat pemacu dan toolkit CUDA, perisian tegar, pemprofilan beban kerja serta penyelesaian masalah CPU, GPU dan sambungan berkelajuan tinggi.
- Pengalaman luas mengendalikan Kubernetes dalam persekitaran GPU dan HPC, termasuk kitar hayat nod, naik taraf dan pengosongan, tingkah laku penjadual, Slurm serta sistem berbilang penyewa gabungan bare metal dan maya.
- Mahir dalam Python dan Bash, infrastruktur sebagai kod dan pengurusan konfigurasi seperti Ansible dan Terraform, kitar hayat serta naik taraf armada berasaskan GitOps, dan Prometheus, Grafana serta Loki.
- Kepakaran Linux yang kukuh, termasuk Red Hat dan Ubuntu, penalaan dan keselamatan sistem pengendalian, asas rangkaian pusat data serta storan selari atau perusahaan seperti Lustre, GPFS, ZFS dan XFS.
- Pengalaman merancang dan melaksanakan pelancaran perisian tegar, mikrokod atau notis lapangan secara proaktif merentas armada produksi yang besar.
- Biasa dengan DCGM, diagnostik XID, GPUd, NVSentinel, ejen kesihatan nod dan kecerdasan kebolehpercayaan seluruh armada.
- Pengalaman dengan NVIDIA GPU dan Network Operators serta NVIDIA Base Command Manager.
- Pengalaman praktikal dengan penjadualan AI dan rangka kerja inferens pada Kubernetes, seperti KAI, Grove, Dynamo dan NVIDIA Cloud Functions.
- Kepakaran dalam fabrik RDMA seperti InfiniBand atau RoCE; pengalaman dengan Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA serta operasi pembahagian NVLink/NVSwitch ialah kelebihan.