NVIDIA utvikler teknologier for akselerert databehandling og kunstig intelligens som brukes innen spill, datasentre, nettskybasert databehandling, helsetjenester, produksjon, bilindustri og robotikk. Arbeidet omfatter grafikkprosessorer, AI-plattformer, simulering og bransjespesifikke løsninger, blant annet NVIDIA Omniverse for samarbeidende 3D-arbeidsflyter, NVIDIA DRIVE for utvikling av autonome kjøretøy og NVIDIA Clara for helsetjenester. Selskapet samler store tekniske team som arbeider med infrastrukturen og programvaren som støtter avansert databehandling, simulering og AI-drevet analyse.
Seniorløsningsarkitekt for skyinfrastruktur og pålitelighet
Led den daglige påliteligheten for NVIDIA Cloud Partners GPU-flåter i EMEA. Automatiser feilgjenoppretting, observerbarhet, vedlikehold og Kubernetes-drift i stor skala.
Beskrivelse
- Lede produksjonsstabilitet og pålitelighet på tvers av NVIDIA Cloud Partners flåter i EMEA.
- Fastsette og forbedre mål for pålitelighet og arbeidsbelastningers gjennomstrømning i store GPU-klynger, og administrere plattformens feilbudsjetter.
- Bygge automatiserte arbeidsflyter for å oppdage og gjenopprette feil i GPU-er, noder, nettverksfabric og lagring.
- Automatisere feilsortering, tømming og isolering av noder, tilbakestillinger og prosedyrer for å sette dem tilbake i drift.
- Planlegge og gjennomføre forebyggende vedlikehold samt utrullinger av fastvare eller feltmeldinger, fra risikovurderinger og trinnvise utrullinger til verifisering.
- Integrere verktøy for flåtens observerbarhet og pålitelighet – blant annet Prometheus, Grafana, Loki, DCGM, XID-diagnostikk, GPUd og NVSentinel – med partnersystemer.
- Koordinere hendelseshåndtering og gjennomganger etter hendelser med NVEX, tekniske kundeansvarlige og partnernes driftsteam.
- Lede rotårsaksanalyser, fullføre korrigerende tiltak og gjøre gjentakende hendelser om til automatisering, helsekontroller eller driftsveiledninger.
- Administrere Kubernetes-nodenes livssykluser og pålitelighet på tvers av Kubernetes, KubeVirt, Slurm og GPU-bevisste planleggere.
- Fastsette retningslinjer for nodehelse og koordinere oppgraderinger, omstarter og sikker tømming av arbeidsbelastninger på GPU-akselererte noder.
Krav
- Bachelor-, master- eller doktorgrad i datavitenskap, elektroteknikk eller datateknikk, fysikk, matematikk eller et beslektet fagområde, eller tilsvarende erfaring.
- Minst 8 års erfaring med site reliability engineering, produksjonsteknikk eller drift av infrastruktur i stor skala.
- Dokumentert ansvar for produksjonspålitelighet i stor skala, inkludert SLO-er og feilbudsjetter, vaktordning og hendelsesledelse, skyldfrie gjennomganger og målbare forbedringer i tilgjengelighet eller gjennomsnittlig tid mellom avbrudd.
- Praktisk erfaring med drift av HPC- eller AI-klynger og NVIDIA GPU-infrastruktur, inkludert livssykluser for drivere og CUDA-verktøysett, fastvare, profilering av arbeidsbelastninger og feilsøking av CPU-er, GPU-er og høyhastighetsforbindelser.
- Omfattende erfaring med Kubernetes-drift i GPU- og HPC-miljøer, inkludert nodenes livssykluser, oppgraderinger og tømming, planleggeratferd, Slurm og blandede miljøer med fysiske og virtualiserte systemer for flere leietakere.
- God kompetanse i Python og Bash, infrastruktur som kode og konfigurasjonsstyring som Ansible og Terraform, GitOps-basert livssyklusstyring og oppgraderinger av flåter samt Prometheus, Grafana og Loki.
- Solid Linux-kompetanse, inkludert Red Hat og Ubuntu, justering og sikkerhet for operativsystemer, grunnleggende datasenternettverk og parallell- eller bedriftslagring som Lustre, GPFS, ZFS og XFS.
- Erfaring med å planlegge og gjennomføre proaktive utrullinger av fastvare, mikrokode eller feltmeldinger på tvers av en stor produksjonsflåte.
- Kjennskap til DCGM, XID-diagnostikk, GPUd, NVSentinel, nodehelseagenter og pålitelighetsanalyse for hele flåten.
- Erfaring med NVIDIA GPU- og Network Operators og NVIDIA Base Command Manager.
- Praktisk erfaring med planleggings- og inferensrammeverk for AI på Kubernetes, som KAI, Grove, Dynamo og NVIDIA Cloud Functions.
- Ekspertise på RDMA-fabric som InfiniBand eller RoCE; erfaring med Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA og drift av NVLink/NVSwitch-partisjonering er en fordel.