Spoločnosť d-Matrix vyvíja technológie na inferenciu umelej inteligencie v dátových centrách, ktorých cieľom je zvýšiť efektívnosť výpočtov pomocou výpočtov priamo v pamäti. Spoločnosť bola založená v roku 2019 a spája návrh vlastných obvodov, nástroje strojového učenia, softvér, algoritmy a prepojenia na úrovni čipletov s cieľom riešiť výzvu integrácie pamäte a výpočtov pre moderné pracovné zaťaženia umelej inteligencie.
Riaditeľ oddelenia Site Reliability Engineering pre AI infraštruktúru — d-Matrix, Santa Clara, hybridná práca
Povediete tím SRE spoločnosti d-Matrix pre inferenčnú infraštruktúru generatívnej AI. Budete zodpovedať za spoľahlivosť, observabilitu, automatizáciu, úložiská a hybridné cloudové aj lokálne prevádzkové prostredia.
Spojené štáty
Kalifornia195 000 $ – 285 000 $ / rok
HybridnePlný úväzokVedúciPožadovaný Jazyk: angličtinaDevOps inžinierPopis
- Založiť a viesť oddelenie Site Reliability Engineering v spoločnosti d-Matrix.
- Vytvoriť chartu SRE a zaviesť postupy zamerané na spoľahlivosť v hardvérovom aj softvérovom inžinierstve.
- Nábor, rozvoj a udržanie tímu jedného až troch SRE inžinierov.
- Riadiť tím technikov dátového centra a laboratória a zároveň určovať prevádzkové priority a štandardy.
- Zodpovedať za nepretržitú spoľahlivosť v kolokačných zariadeniach, lokálnych laboratórnych klastroch, cloudových prostrediach a platformových službách pre zákazníkov.
- Navrhovať odolné systémy založené na doménach zlyhania, postupnom nasadzovaní a disciplinovanom riadení zmien.
- Definovať indikátory úrovne služieb, ciele úrovne služieb a rozpočty na chyby.
- Vytvoriť pohotovostné procesy vrátane modelu follow-the-sun s rozširovaním globálnej prevádzky.
- Vypracovať rámce pre reakciu na incidenty a analýzu koreňových príčin.
- Viesť observabilitu metrík, trás a protokolov.
- Rozvíjať automatizáciu založenú na Terraform a Ansible vrátane samoopravnej infraštruktúry.
- Implementovať automatizáciu životného cyklu hostiteľov, nápravu problémov vo flotile a upozorňovanie s podporou AIOps.
- Riadiť FinOps a plánovanie kapacít v cloudových, kolokačných a lokálnych prostrediach.
- Viesť prechod z ad hoc úložiska JBOD na podnikové zdieľané úložisko v lokálnych, kolokačných a cloudových prostrediach.
- Spolupracovať s tímami Software Tools, QA DevOps, Engineering, Networking Operations a IT Operations na zlepšovaní spoľahlivosti, nákladovej efektívnosti a riadenia technického dlhu.
Požiadavky
- Bakalárske alebo magisterské vzdelanie v odbore informatika, elektrotechnické inžinierstvo alebo príbuznom odbore.
- Najmenej 15 rokov skúseností v oblasti SRE, infraštruktúrneho alebo produkčného inžinierstva.
- Najmenej päť rokov skúseností s vedením tímov SRE alebo infraštruktúrneho inžinierstva.
- Skúsenosti s vytvorením alebo zásadnou prestavbou funkcie SRE či infraštruktúrneho inžinierstva.
- Skúsenosti s definovaním SLO, budovaním pohotovostných programov, zavádzaním observability a vedením organizačných zmien.
- Pokročilé znalosti systémov Linux.
- Skúsenosti s podnikovými zdieľanými úložiskami vrátane NAS/SAN, rozsiahlych architektúr NFS/SMB, snapshotov a replikácie a integrácie hybridných cloudových úložísk.
- Skúsenosti s prevádzkou kolokačných zariadení a lokálneho hardvéru vo veľkom meradle.
- Pochopenie správy životného cyklu serverov, napájacích a chladiacich systémov a sieťovania na úrovni rackov.
- Produkčné skúsenosti s Terraform a Ansible vrátane návrhu modulov, vzdialeného stavu, izolácie prostredí a riadenia zmien.
- Skúsenosti s prevádzkou klastrov Kubernetes vrátane správy životného cyklu, spoľahlivosti pracovných záťaží, úložísk a rozsiahleho RBAC.
- Skúsenosti s vlastníctvom observability platforiem, ako sú Prometheus, Grafana, Datadog alebo Splunk.
- Pokročilé skriptovacie zručnosti v jazyku Python alebo Go pre produkčné služby a automatizáciu infraštruktúry.
- Vynikajúce schopnosti komunikácie s vedením.
- Schopnosť efektívne pracovať v prostredí s vysokou mierou nejasností a nízkou úrovňou procesov.
- Skúsenosti s prevádzkou infraštruktúry alebo platformových služieb orientovaných na zákazníkov sú výhodou.
- Znalosť technológií InfiniBand, RoCE alebo NVLink je výhodou.
- Skúsenosti s HPC plánovačmi, ako sú Slurm, LSF alebo ekvivalent, sú výhodou.
- Skúsenosti s hybridnou a multicloudovou prevádzkou v AWS, Azure a GCP sú výhodou.
- Odbornosť v oblasti FinOps je výhodou.
- Znalosť ITIL alebo ekvivalentného rámca riadenia incidentov, problémov a zmien je výhodou.
- Publikované odborné texty, prezentácie na konferenciách alebo príspevky do open source sú výhodou.
- Musíte mať zákonné oprávnenie pracovať v Spojených štátoch.
Benefity
- Akciová kompenzácia.
- Bonusové alebo motivačné príležitosti viazané na individuálny výkon a výkon spoločnosti.
- Zdravotné poistenie.
- Zubné poistenie.
- Poistenie zraku.
- Program 401(k).
- Inkluzívny program odmeňovania zameraný na blaho zamestnancov a ich blízkych.