Andromeda tilbyr GPU-kapasitet for team som utvikler og kjører maskinlæringsarbeidsbelastninger. Tjenesten gir tilgang på forespørsel til klynger med NVIDIA H100-, H200- og B200-akseleratorer for eksperimentering, modelltrening og inferens, med orkestrering via Slurm, Kubernetes eller SSH. Kundene kan velge fleksible alternativer for bruk og lagring, og Andromedas team tilbyr DevOps-støtte. Selskapet driver også GPUList.ai, en tredjepartsmarkedsplass for GPU-er. Den tilgjengelige selskapsprofilen inneholder ingen opplysninger om rekruttering eller teamet.
Senioringeniør for kundepålitelighet – Europa, fjernarbeid
Feilsøk kundeinsidenter på tvers av Linux-, Kubernetes- og GPU-klynger, og bidra til at Andromedas AI-databehandlingsinfrastruktur er pålitelig. Rollen omfatter insidenthåndtering, koordinering med leverandører, overvåking og automatisering av drift.
Beskrivelse
- Håndter kundesaker fra reproduksjon til løsning, eskalering og avslutning
- Feilsøk Linux-problemer knyttet til prosesser, nettverk, lagring, kjernelogger, ressurskonflikter, systemd og journald
- Undersøk Kubernetes-feil knyttet til pods, nodetilstander, planlegging og ressursgrenser
- Feilsøk GPU-problemer som driver- og device plugin-feil, XID-feil, termisk struping, sperring eller tømming av noder samt feil i jobber med flere noder
- Eskaler problemer med dokumentasjon når det trengs
- Delta i en 24/7-vaktordning
- Håndter varsler og avbrudd meldt av kunder, vurder påvirkningen, fastsett alvorlighetsgrad og involver de riktige teamene
- Hold kundene informert under insidenter, inkludert om status og ubesvarte spørsmål
- Registrer insidenter og gjør funn om til driftsveiledninger, varsler eller rettelser
- Finn ut om feilene kommer fra leverandøren, Andromeda eller kunden
- Opprett supportsaker hos leverandører av databehandling og følg dem opp
- Overvåk gjentatte leverandørfeil og del mønstre med beslutningstakere innen innkjøp
- Automatiser manuelle kontroller med Python eller Bash
- Utvikle og forbedre overvåking av klynge- og nodetilstand, GPU-telemetri, dashbord og handlingsrettede varsler
- Hold driftsveiledninger og kundedokumentasjon oppdatert
Krav
- Praktisk erfaring med feilsøking i Linux-kommandolinjen, inkludert logger, prosesser, nettverk og disker
- Arbeidskunnskap om Kubernetes-pods, noder, utrullinger, tjenester, planlegging og feilsøking
- Evne til å automatisere gjentakende oppgaver med Python eller Bash
- Gode ferdigheter i teknisk skriving og evne til å forklare problemer tydelig for kunder
- God dømmekraft under press når du prioriterer, eskalerer og kommuniserer
- Villighet til å inngå i en 24/7-vaktordning
- Produksjonserfaring med NVIDIA-GPU-er, drivere, CUDA, DCGM og Kubernetes device plugin er en fordel
- Erfaring med høyytelsesnettverk som InfiniBand, RoCE eller NCCL er en fordel
- Erfaring med HPC eller Slurm er en fordel
- Kundevendt teknisk erfaring innen support engineering, teknisk kundeansvar, løsningsarbeid eller profesjonelle tjenester er en fordel
- Kjennskap til Prometheus, Grafana, Datadog eller lignende verktøy er en fordel
- Erfaring med Infrastructure as Code med Terraform, Ansible eller Helm er en fordel
- Interesse for AI-infrastruktur og treningsjobber i stor skala
Fordeler
- Meningsfull eierandel
- Helse-, tannhelse- og synsdekning for ansatte og deres pårørende
- 401(k)-ordning
- Ubegrenset betalt fri
- Mulighet til å jobbe i et selskap i sterk vekst med fokus på AI-infrastruktur