NVIDIA разрабатывает технологии ускоренных вычислений и искусственного интеллекта, которые применяются в игровой индустрии, центрах обработки данных, облачных вычислениях, здравоохранении, производстве, автомобильной отрасли и робототехнике. Компания работает над графическими процессорами, платформами искусственного интеллекта, технологиями симуляции и отраслевыми решениями, включая NVIDIA Omniverse для совместных рабочих процессов с 3D-графикой, NVIDIA DRIVE для разработки автономных транспортных средств и NVIDIA Clara для медицинских приложений. В компании работают крупные технические команды, создающие инфраструктуру и программное обеспечение для передовых вычислений, симуляций и аналитики на основе искусственного интеллекта.
Старший архитектор решений для облачной инфраструктуры и надежности
Руководите надежностью GPU-парков NVIDIA Cloud Partner на этапе эксплуатации в регионе EMEA. Автоматизируйте восстановление после сбоев, наблюдаемость, обслуживание и работу Kubernetes в масштабах парка.
Описание
- Руководите стабильностью и надежностью промышленных систем в парках NVIDIA Cloud Partner в регионе EMEA.
- Устанавливайте и совершенствуйте показатели надежности и пропускной способности рабочих нагрузок для крупных GPU-кластеров, управляйте бюджетами ошибок платформы.
- Создавайте автоматизированные процессы обнаружения сбоев GPU, узлов, сетевой фабрики и хранилищ, а также восстановления после них.
- Автоматизируйте первичную диагностику сбоев, вывод узлов из рабочих нагрузок и изоляцию, перезапуск и процедуры возврата в эксплуатацию.
- Планируйте и проводите профилактическое обслуживание, развертывание прошивок и уведомлений об изменениях: от анализа рисков и поэтапного развертывания до проверки результатов.
- Интегрируйте инструменты наблюдаемости и надежности парка — включая Prometheus, Grafana, Loki, DCGM, диагностику XID, GPUd и NVSentinel — с системами партнеров.
- Координируйте реагирование на инциденты и разборы после них с NVEX, техническими менеджерами по работе с клиентами и операционными командами партнеров.
- Руководите расследованием первопричин, обеспечивайте выполнение корректирующих мер и превращайте повторяющиеся инциденты в автоматизацию, проверки состояния или инструкции.
- Управляйте жизненным циклом узлов Kubernetes и надежностью в Kubernetes, KubeVirt, Slurm и планировщиках, учитывающих GPU.
- Определяйте политики состояния узлов и координируйте обновления, перезагрузки и безопасный вывод рабочих нагрузок с узлов с GPU-ускорением.
Требования
- Степень бакалавра, магистра или доктора наук в области компьютерных наук, электротехники или компьютерной инженерии, физики, математики либо смежной области или эквивалентный опыт.
- Не менее 8 лет опыта в инженерии надежности сайтов, производственной инженерии или эксплуатации крупномасштабной инфраструктуры.
- Подтвержденный опыт ответственности за надежность промышленных систем в большом масштабе, включая SLO и бюджеты ошибок, дежурства и руководство реагированием на инциденты, разборы без поиска виноватых и измеримый рост доступности или среднего времени между сбоями.
- Практический опыт эксплуатации HPC- или AI-кластеров и инфраструктуры NVIDIA GPU, включая жизненный цикл драйверов и CUDA Toolkit, прошивки, профилирование рабочих нагрузок и диагностику CPU, GPU и высокоскоростных соединений.
- Обширный опыт эксплуатации Kubernetes в GPU- и HPC-средах, включая жизненный цикл узлов, обновления и вывод из рабочих нагрузок, поведение планировщиков, Slurm и многопользовательские системы с сочетанием физических и виртуализированных серверов.
- Уверенное владение Python и Bash, инфраструктурой как кодом и управлением конфигурациями, например Ansible и Terraform, управлением жизненным циклом и обновлениями парка на основе GitOps, а также Prometheus, Grafana и Loki.
- Глубокие знания Linux, включая Red Hat и Ubuntu, настройку и защиту операционных систем, основы сетей центров обработки данных и параллельных или корпоративных систем хранения, таких как Lustre, GPFS, ZFS и XFS.
- Опыт планирования и проведения упреждающего развертывания прошивок, микрокода или обновлений по уведомлениям об изменениях на крупном промышленном парке.
- Знакомство с DCGM, диагностикой XID, GPUd, NVSentinel, агентами проверки состояния узлов и аналитикой надежности всего парка.
- Опыт работы с NVIDIA GPU Operator, NVIDIA Network Operator и NVIDIA Base Command Manager.
- Практический опыт работы с фреймворками планирования AI-нагрузок и инференса в Kubernetes, такими как KAI, Grove, Dynamo и NVIDIA Cloud Functions.
- Экспертные знания RDMA-сетей, таких как InfiniBand или RoCE; опыт работы с Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA и операциями разделения NVLink/NVSwitch будет преимуществом.