NVIDIA opracowuje technologie przyspieszonych obliczeń i sztucznej inteligencji wykorzystywane w branży gier, centrach danych, chmurze obliczeniowej, ochronie zdrowia, produkcji, motoryzacji i robotyce. Firma rozwija procesory graficzne, platformy AI, technologie symulacyjne oraz rozwiązania dla konkretnych branż, w tym NVIDIA Omniverse do współpracy przy projektach 3D, NVIDIA DRIVE do rozwoju pojazdów autonomicznych i NVIDIA Clara do zastosowań medycznych. NVIDIA skupia duże zespoły techniczne pracujące nad infrastrukturą i oprogramowaniem wspierającymi zaawansowane obliczenia, symulacje oraz analitykę opartą na sztucznej inteligencji.
Starszy architekt rozwiązań w zakresie infrastruktury chmurowej i niezawodności
Odpowiadaj za niezawodność GPU-flot NVIDIA Cloud Partner podczas eksploatacji w regionie EMEA. Automatyzuj odzyskiwanie po awariach, obserwowalność, konserwację i operacje Kubernetes w dużej skali.
Opis
- Odpowiadaj za stabilność i niezawodność środowisk produkcyjnych we flotach NVIDIA Cloud Partner w regionie EMEA.
- Ustalaj i doskonal mierniki niezawodności oraz przepustowości obciążeń dla dużych klastrów GPU, a także zarządzaj budżetami błędów platformy.
- Twórz zautomatyzowane procesy wykrywania awarii GPU, węzłów, infrastruktury sieciowej i pamięci masowej oraz odzyskiwania po nich.
- Automatyzuj wstępną analizę awarii, wyłączanie węzłów z obciążeń i ich izolowanie, resetowanie oraz procedury przywracania do działania.
- Planuj i realizuj konserwację zapobiegawczą oraz wdrożenia oprogramowania układowego lub zmian ogłaszanych w komunikatach serwisowych — od przeglądu ryzyka i etapowego wdrażania po weryfikację.
- Integruj narzędzia do obserwowalności i niezawodności floty — w tym Prometheus, Grafana, Loki, DCGM, diagnostykę XID, GPUd i NVSentinel — z systemami partnerów.
- Koordynuj reagowanie na incydenty i przeglądy poincydentalne z NVEX, menedżerami technicznymi obsługującymi klientów oraz zespołami operacyjnymi partnerów.
- Prowadź dochodzenia dotyczące przyczyn źródłowych, doprowadzaj do realizacji działań naprawczych i przekształcaj powtarzające się incydenty w automatyzację, kontrole stanu lub instrukcje operacyjne.
- Zarządzaj cyklem życia węzłów Kubernetes i niezawodnością w Kubernetes, KubeVirt, Slurm oraz harmonogramach uwzględniających GPU.
- Ustalaj zasady oceny stanu węzłów oraz koordynuj aktualizacje, ponowne uruchomienia i bezpieczne opróżnianie obciążeń z węzłów przyspieszanych przez GPU.
Wymagania
- Tytuł licencjata, magistra lub doktora w dziedzinie informatyki, elektrotechniki lub inżynierii komputerowej, fizyki, matematyki albo pokrewnej dziedzinie lub równoważne doświadczenie.
- Co najmniej 8 lat doświadczenia w inżynierii niezawodności serwisów, inżynierii produkcyjnej lub operacjach związanych z infrastrukturą na dużą skalę.
- Udokumentowana odpowiedzialność za niezawodność środowisk produkcyjnych na dużą skalę, w tym za SLO i budżety błędów, dyżury i dowodzenie podczas incydentów, bezwinne przeglądy oraz mierzalną poprawę dostępności lub średniego czasu między przerwami.
- Praktyczne doświadczenie w obsłudze klastrów HPC lub AI oraz infrastruktury NVIDIA GPU, w tym cykli życia sterowników i CUDA Toolkit, oprogramowania układowego, profilowania obciążeń oraz diagnozowania procesorów CPU i GPU oraz szybkich połączeń międzysystemowych.
- Rozległe doświadczenie w obsłudze Kubernetes w środowiskach GPU i HPC, w tym w cyklu życia węzłów, aktualizacjach i opróżnianiu obciążeń, działaniu harmonogramów, Slurm oraz wielodostępnych systemach łączących serwery fizyczne i zwirtualizowane.
- Biegłość w Pythonie i Bashu, infrastrukturze jako kodzie i zarządzaniu konfiguracją, np. Ansible i Terraform, zarządzaniu cyklem życia floty i aktualizacjami w oparciu o GitOps oraz obsłudze Prometheus, Grafana i Loki.
- Bardzo dobra znajomość Linuksa, w tym Red Hat i Ubuntu, strojenia i zabezpieczania systemów operacyjnych, podstaw sieci centrów danych oraz równoległych lub korporacyjnych systemów pamięci masowej, takich jak Lustre, GPFS, ZFS i XFS.
- Doświadczenie w planowaniu i przeprowadzaniu proaktywnych wdrożeń oprogramowania układowego, mikrokodu lub zmian ogłaszanych w komunikatach serwisowych w dużej flocie produkcyjnej.
- Znajomość DCGM, diagnostyki XID, GPUd, NVSentinel, agentów monitorujących stan węzłów oraz analiz niezawodności całej floty.
- Doświadczenie z NVIDIA GPU Operator, NVIDIA Network Operator i NVIDIA Base Command Manager.
- Praktyczne doświadczenie z platformami do planowania obciążeń AI i frameworkami wnioskowania w Kubernetes, takimi jak KAI, Grove, Dynamo i NVIDIA Cloud Functions.
- Ekspercka znajomość sieci RDMA, takich jak InfiniBand lub RoCE; mile widziane doświadczenie z Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA oraz operacjami partycjonowania NVLink/NVSwitch.