NVIDIA ontwikkelt technologieën voor versnelde computing en kunstmatige intelligentie die worden gebruikt in gaming, datacenters, cloudcomputing, de gezondheidszorg, productie, de auto-industrie en robotica. Het bedrijf richt zich op grafische verwerkingseenheden, AI-platforms, simulatie en branchespecifieke oplossingen, waaronder NVIDIA Omniverse voor collaboratieve 3D-workflows, NVIDIA DRIVE voor de ontwikkeling van autonome voertuigen en NVIDIA Clara voor toepassingen in de gezondheidszorg. NVIDIA brengt grote technische teams samen die werken aan de infrastructuur en software voor geavanceerde computing, simulatie en AI-gestuurde analyses.
Senior Solutions Architect voor cloudinfrastructuur en betrouwbaarheid
Leid de betrouwbaarheid van NVIDIA Cloud Partner GPU-vloten in EMEA tijdens dagelijks gebruik. Automatiseer herstel na storingen, observability, onderhoud en Kubernetes-beheer op grote schaal.
Beschrijving
- Leid de stabiliteit en betrouwbaarheid van NVIDIA Cloud Partner-vloten in EMEA tijdens productiegebruik.
- Stel betrouwbaarheids- en workloaddoorvoermaatstaven voor grote GPU-clusters vast en verbeter ze, en beheer de error budgets van het platform.
- Bouw geautomatiseerde detectie- en herstelprocessen voor storingen in GPU's, nodes, netwerkverbindingen en opslag.
- Automatiseer storingsanalyse, het drainen en cordonen van nodes, resets en procedures om systemen weer in gebruik te nemen.
- Plan en voer preventief onderhoud en firmware- of field-notice-uitrol uit, van risicobeoordelingen en gefaseerde implementaties tot verificatie.
- Integreer tools voor fleetobservability en betrouwbaarheid, waaronder Prometheus, Grafana, Loki, DCGM, XID-diagnostiek, GPUd en NVSentinel, met partnersystemen.
- Coördineer incidentrespons en evaluaties na incidenten met NVEX, technical account managers en operationele partnerteams.
- Leid oorzaakanalyses, rond corrigerende maatregelen af en zet terugkerende incidenten om in automatisering, health checks of runbooks.
- Beheer de levenscyclus en betrouwbaarheid van Kubernetes-nodes voor Kubernetes, KubeVirt, Slurm en GPU-bewuste schedulers.
- Stel beleid voor de nodegezondheid vast en coördineer upgrades, herstarts en het veilig drainen van workloads op GPU-versnelde nodes.
Vereisten
- Bachelor-, master- of doctoraatsdiploma in informatica, elektrotechniek of computertechniek, natuurkunde, wiskunde of een verwant vakgebied, of gelijkwaardige ervaring.
- Minimaal 8 jaar ervaring in site reliability engineering, productie-engineering of grootschalig infrastructuurbeheer.
- Aantoonbare verantwoordelijkheid voor de betrouwbaarheid van productieomgevingen op grote schaal, waaronder SLO's en error budgets, storingsdienst en incident command, evaluaties zonder schuldvraag en meetbare verbeteringen in beschikbaarheid of de gemiddelde tijd tussen onderbrekingen.
- Praktische ervaring met het beheren van HPC- of AI-clusters en NVIDIA GPU-infrastructuur, waaronder levenscycli van drivers en CUDA-toolkits, firmware, workloadprofilering en probleemoplossing voor CPU's, GPU's en snelle interconnects.
- Ruime ervaring met Kubernetes in GPU- en HPC-omgevingen, waaronder nodelevenscycli, upgrades en drainen, scheduler-gedrag, Slurm en multi-tenant-systemen met zowel bare metal als virtualisatie.
- Goede beheersing van Python en Bash, infrastructure as code en configuratiebeheer zoals Ansible en Terraform, GitOps-gebaseerd fleetbeheer en upgrades, en Prometheus, Grafana en Loki.
- Uitgebreide Linux-kennis, waaronder Red Hat en Ubuntu, afstemming en beveiliging van besturingssystemen, basisprincipes van datacenternetwerken en parallelle of enterprise-opslag zoals Lustre, GPFS, ZFS en XFS.
- Ervaring met het plannen en uitvoeren van proactieve firmware-, microcode- of field-notice-uitrol over een grote productieomgeving.
- Bekendheid met DCGM, XID-diagnostiek, GPUd, NVSentinel, nodegezondheidsagents en vlootbrede betrouwbaarheidsanalyse.
- Ervaring met NVIDIA GPU en Network Operators en NVIDIA Base Command Manager.
- Praktische ervaring met AI-scheduling en inferentieframeworks op Kubernetes, zoals KAI, Grove, Dynamo en NVIDIA Cloud Functions.
- Expertise in RDMA-netwerken zoals InfiniBand of RoCE; ervaring met Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA en beheer van NVLink/NVSwitch-partities is een pré.