Andromeda menyediakan pengkomputeran GPU untuk pasukan yang membina dan menjalankan beban kerja pembelajaran mesin. Perkhidmatannya menawarkan akses atas permintaan kepada kelompok pemecut NVIDIA H100, H200 dan B200 untuk eksperimen, latihan model dan inferens, dengan orkestrasi melalui Slurm, Kubernetes atau SSH. Pelanggan boleh memilih pilihan penggunaan dan storan yang fleksibel, manakala pasukan Andromeda menyediakan sokongan DevOps. Syarikat ini juga mengendalikan GPUList.ai, sebuah pasaran GPU pihak ketiga. Maklumat tentang konteks pengambilan pekerja dan butiran pasukan tidak dinyatakan dalam profil yang tersedia.
Jurutera Kebolehpercayaan Pelanggan Kanan, Eropah Jarak Jauh
Menyelesaikan insiden pelanggan merentas Linux, Kubernetes dan kluster GPU, serta membantu memastikan infrastruktur pengkomputeran AI Andromeda kekal andal. Peranan ini merangkumi tindak balas insiden, penyelarasan penyedia, pemantauan dan automasi operasi.
Penerangan
- Mengurus isu pelanggan daripada penghasilan semula hingga penyelesaian, eskalasi dan penutupan
- Mendiagnosis masalah Linux yang melibatkan proses, rangkaian, storan, log kernel, persaingan sumber, systemd dan journald
- Menyiasat kegagalan Kubernetes yang melibatkan pod, keadaan nod, penjadualan dan had sumber
- Menyelesaikan masalah GPU seperti kegagalan pemacu dan pemalam peranti, ralat XID, pendikitan terma, cordon atau drain nod, serta kegagalan kerja berbilang nod
- Mengeeskalasi isu dengan bukti sokongan apabila perlu
- Mengambil bahagian dalam giliran bertugas 24/7
- Memberi tindak balas kepada amaran dan gangguan yang dilaporkan pelanggan, menilai kesan, menetapkan tahap keterukan dan melibatkan pasukan yang sesuai
- Memaklumkan pelanggan sepanjang insiden, termasuk status dan soalan yang belum terjawab
- Merekodkan insiden dan menukarkan dapatan kepada panduan operasi, amaran atau pembaikan
- Mengenal pasti sama ada kerosakan berpunca daripada penyedia, Andromeda atau pelanggan
- Membuka dan membuat susulan tiket sokongan dengan penyedia pengkomputeran
- Memantau kegagalan penyedia yang berulang dan berkongsi coraknya dengan pembuat keputusan pemerolehan
- Mengautomasikan pemeriksaan manual menggunakan Python atau Bash
- Membangunkan dan menambah baik pemantauan kesihatan kluster dan nod, telemetri GPU, papan pemuka dan amaran yang boleh diambil tindakan
- Memastikan panduan operasi dan dokumentasi pelanggan sentiasa terkini
Keperluan
- Pengalaman langsung menyelesaikan masalah melalui baris perintah Linux, termasuk log, proses, rangkaian dan cakera
- Pengetahuan kerja tentang pod, nod, deployment, servis, penjadualan dan penyiasatan kegagalan Kubernetes
- Keupayaan mengautomasikan tugas berulang dengan Python atau Bash
- Kemahiran penulisan teknikal yang kukuh serta keupayaan menerangkan isu dengan jelas kepada pelanggan
- Pertimbangan yang baik ketika berada di bawah tekanan untuk menetapkan keutamaan, membuat eskalasi dan berkomunikasi
- Kesediaan menyertai giliran bertugas 24/7
- Pengalaman produksi GPU NVIDIA dengan pemacu, CUDA, DCGM dan pemalam peranti Kubernetes merupakan kelebihan
- Pengalaman rangkaian berprestasi tinggi dengan InfiniBand, RoCE atau NCCL merupakan kelebihan
- Pengalaman HPC atau Slurm merupakan kelebihan
- Pengalaman teknikal berhadapan pelanggan dalam kejuruteraan sokongan, pengurusan akaun teknikal, penyelesaian atau perkhidmatan profesional merupakan kelebihan
- Mengenali Prometheus, Grafana, Datadog atau alat serupa merupakan kelebihan
- Pengalaman Infrastruktur sebagai Kod dengan Terraform, Ansible atau Helm merupakan kelebihan
- Minat terhadap infrastruktur AI dan kerja latihan berskala besar
Faedah
- Ekuiti yang bermakna
- Perlindungan kesihatan, pergigian dan penglihatan untuk pekerja serta tanggungan
- Pelan 401(k)
- Cuti berbayar tanpa had
- Peluang bekerja di syarikat yang berkembang pesat dan berfokus pada infrastruktur AI