Andromeda erbjuder GPU-beräkningskapacitet för team som utvecklar och kör maskininlärningsarbetslaster. Tjänsten ger tillgång på begäran till kluster med NVIDIA H100-, H200- och B200-acceleratorer för experiment, modellträning och inferens, med orkestrering via Slurm, Kubernetes eller SSH. Kunderna kan välja flexibla alternativ för användning och lagring, och Andromedas team erbjuder DevOps-support. Företaget driver även GPUList.ai, en marknadsplats för GPU:er från tredje part. Det tillgängliga företagsprofilen anger inga uppgifter om rekrytering eller teamet.
Senior kunddriftsingenjör – Europa, distans
Felsök kundincidenter i Linux-, Kubernetes- och GPU-kluster och bidra till att Andromedas AI-beräkningsinfrastruktur är tillförlitlig. Rollen omfattar incidenthantering, samordning med leverantörer, övervakning och automatisering av drift.
Beskrivning
- Hantera kundärenden från återskapande till lösning, eskalering och avslut
- Felsöka Linuxproblem med processer, nätverk, lagring, kärnloggar, resurskonflikter, systemd och journald
- Utreda Kubernetesfel som rör poddar, nodförhållanden, schemaläggning och resursgränser
- Felsöka GPU-problem som fel på drivrutiner och enhetspluginer, XID-fel, termisk strypning, spärrning eller tömning av noder samt fel i jobb med flera noder
- Eskalera problem med underlag när det behövs
- Delta i en beredskapsrotation dygnet runt, alla dagar i veckan
- Hantera larm och avbrott som rapporterats av kunder, bedöma påverkan, fastställa allvarlighetsgrad och koppla in rätt team
- Hålla kunder informerade under incidenter, inklusive om status och obesvarade frågor
- Dokumentera incidenter och omvandla lärdomar till körinstruktioner, larm eller korrigeringar
- Avgöra om fel har sitt ursprung hos leverantören, Andromeda eller kunden
- Skapa supportärenden hos beräkningsleverantörer och följa upp dem
- Följa återkommande leverantörsfel och dela mönster med beslutsfattare inom inköp
- Automatisera manuella kontroller med Python eller Bash
- Utveckla och förbättra övervakning av kluster- och nodhälsa, GPU-telemetri, instrumentpaneler och användbara larm
- Hålla körinstruktioner och kunddokumentation uppdaterade
Krav
- Praktisk felsökning i Linux-kommandoraden, inklusive loggar, processer, nätverk och diskar
- Arbetskunskaper i Kubernetes-poddar, noder, driftsättningar, tjänster, schemaläggning och felsökningsanalys
- Förmåga att automatisera återkommande uppgifter med Python eller Bash
- God teknisk skrivförmåga och förmåga att förklara problem tydligt för kunder
- Gott omdöme under press vid prioritering, eskalering och kommunikation
- Villighet att delta i en beredskapsrotation dygnet runt, alla dagar i veckan
- Erfarenhet från produktionsmiljöer med NVIDIA-GPU:er, drivrutiner, CUDA, DCGM och Kubernetes enhetsplugin är meriterande
- Erfarenhet av högpresterande nätverk med InfiniBand, RoCE eller NCCL är meriterande
- Erfarenhet av HPC eller Slurm är meriterande
- Teknisk kundkontakt inom supportteknik, teknisk kundansvarig, lösningsarbete eller professionella tjänster är meriterande
- Kännedom om Prometheus, Grafana, Datadog eller liknande verktyg är meriterande
- Erfarenhet av infrastruktur som kod med Terraform, Ansible eller Helm är meriterande
- Intresse för AI-infrastruktur och storskaliga träningsjobb
Förmåner
- Meningsfullt aktieägande
- Sjukvårds-, tandvårds- och synvårdsförsäkring för anställda och deras anhöriga
- 401(k)-plan
- Obegränsad betald ledighet
- Möjlighet att arbeta på ett snabbväxande företag med fokus på AI-infrastruktur