Andromeda levert GPU-rekenkracht aan teams die machinelearningworkloads ontwikkelen en uitvoeren. De dienst biedt op aanvraag toegang tot clusters met NVIDIA H100-, H200- en B200-versnellers voor experimenten, modeltraining en inferentie. De orkestratie verloopt via Slurm, Kubernetes of SSH. Klanten kunnen kiezen uit flexibele gebruiks- en opslagopties; het team van Andromeda biedt DevOps-ondersteuning. Daarnaast beheert het bedrijf GPUList.ai, een GPU-marktplaats van een derde partij. In het beschikbare profiel staan geen gegevens over de wervingscontext of het team.
Senior Customer Reliability Engineer, op afstand in Europa
Los klantincidenten op in Linux-, Kubernetes- en GPU-clusters en help de AI-computinginfrastructuur van Andromeda betrouwbaar te houden. De functie omvat incidentafhandeling, afstemming met leveranciers, monitoring en operationele automatisering.
Beschrijving
- Klantproblemen begeleiden van reproductie en oplossing tot escalatie en afsluiting
- Linux-problemen diagnosticeren met processen, netwerken, opslag, kernel-logs, conflicten om resources, systemd en journald
- Kubernetes-storingen onderzoeken rond pods, knooppuntstatus, planning en resourcelimieten
- GPU-problemen oplossen, zoals storingen in drivers en device-plug-ins, XID-fouten, thermische throttling, het blokkeren of drainen van knooppunten en fouten bij taken over meerdere knooppunten
- Problemen waar nodig escaleren met ondersteunend bewijsmateriaal
- Deelnemen aan een 24/7-piketdienst
- Reageren op waarschuwingen en door klanten gemelde storingen, de impact beoordelen, de ernst bepalen en de juiste teams inschakelen
- Klanten tijdens incidenten op de hoogte houden van de status en openstaande vragen
- Incidenten vastleggen en bevindingen omzetten in draaiboeken, waarschuwingen of oplossingen
- Vaststellen of fouten bij de leverancier, Andromeda of de klant ontstaan
- Supporttickets bij aanbieders van rekeninfrastructuur aanmaken en opvolgen
- Terugkerende storingen bij leveranciers monitoren en patronen delen met degenen die over leveranciersselectie beslissen
- Handmatige controles automatiseren met Python of Bash
- Monitoring van cluster- en knooppuntstatus, GPU-telemetrie, dashboards en bruikbare waarschuwingen ontwikkelen en verbeteren
- Draaiboeken en klantdocumentatie actueel houden
Vereisten
- Praktische ervaring met Linux-probleemoplossing via de commandoregel, waaronder logs, processen, netwerken en schijven
- Werkkennis van Kubernetes-pods, knooppunten, deployments, services, planning en storingsanalyse
- Handigheid in het automatiseren van terugkerende taken met Python of Bash
- Sterke vaardigheden in technisch schrijven en het vermogen om problemen helder aan klanten uit te leggen
- Goed beoordelingsvermogen onder druk bij prioriteren, escaleren en communiceren
- Bereidheid om deel te nemen aan een 24/7-piketdienst
- Ervaring met NVIDIA-GPU's in productieomgevingen, drivers, CUDA, DCGM en de Kubernetes device-plug-in is een pluspunt
- Ervaring met hogesnelheidsnetwerken zoals InfiniBand, RoCE of NCCL is een pluspunt
- Ervaring met HPC of Slurm is een pluspunt
- Technische ervaring in klantgerichte functies, zoals support engineering, technical accountmanagement, oplossingen of professional services, is een pluspunt
- Bekendheid met Prometheus, Grafana, Datadog of vergelijkbare tools is een pluspunt
- Ervaring met Infrastructure as Code en Terraform, Ansible of Helm is een pluspunt
- Interesse in AI-infrastructuur en grootschalige trainingsjobs
Voordelen
- Aanzienlijk aandelenbelang
- Zorgverzekering, tandartsverzekering en oogzorg voor medewerkers en hun gezinsleden
- 401(k)-pensioenregeling
- Onbeperkt betaald verlof
- De kans om te werken bij een snelgroeiend bedrijf dat zich richt op AI-infrastructuur