NVIDIA utvecklar tekniker för accelererad databehandling och artificiell intelligens som används inom spel, datacenter, molnbaserad databehandling, sjukvård, tillverkning, fordonsindustrin och robotik. Företagets arbete omfattar grafikprocessorer, AI-plattformar, simulering och branschspecifika lösningar, däribland NVIDIA Omniverse för samarbetsinriktade 3D-arbetsflöden, NVIDIA DRIVE för utveckling av autonoma fordon och NVIDIA Clara för tillämpningar inom sjukvården. Företaget samlar stora tekniska team som arbetar med den infrastruktur och programvara som stöder avancerad databehandling, simulering och AI-baserad analys.
Seniorlösningsarkitekt inom molninfrastruktur och tillförlitlighet
Leda den löpande driftsäkerheten för NVIDIA Cloud Partners GPU-flottor i EMEA. Automatisera felåterställning, observerbarhet, underhåll och Kubernetes-drift i stor skala.
Beskrivning
- Leda produktionsstabilitet och tillförlitlighet för NVIDIA Cloud Partners flottor i EMEA.
- Fastställa och förbättra mått för tillförlitlighet och arbetslastgenomströmning i stora GPU-kluster samt hantera plattformens felbudgetar.
- Bygga automatiserade arbetsflöden för upptäckt och återställning vid fel i GPU:er, noder, nätverksfabric och lagring.
- Automatisera feltriagering, tömning och avskärmning av noder, återställningar och rutiner för återgång till drift.
- Planera och genomföra förebyggande underhåll samt utrullningar av fast programvara och fältmeddelanden, från riskgranskningar och stegvisa driftsättningar till verifiering.
- Integrera verktyg för flottans observerbarhet och tillförlitlighet – däribland Prometheus, Grafana, Loki, DCGM, XID-diagnostik, GPUd och NVSentinel – med partnersystem.
- Samordna incidenthantering och utvärderingar efter incidenter med NVEX, tekniska kundansvariga och partnernas driftteam.
- Leda rotorsaksanalyser, slutföra korrigerande åtgärder och omvandla återkommande incidenter till automatisering, hälsokontroller eller driftmanualer.
- Hantera Kubernetes-nodernas livscykler och tillförlitlighet i Kubernetes, KubeVirt, Slurm och GPU-medvetna schemaläggare.
- Fastställa policyer för nodhälsa och samordna uppgraderingar, omstarter och säker tömning av arbetslaster på GPU-accelererade noder.
Krav
- Kandidat-, master- eller doktorsexamen i datavetenskap, elektroteknik eller datateknik, fysik, matematik eller ett närliggande område, eller motsvarande erfarenhet.
- Minst 8 års erfarenhet av site reliability engineering, produktionsteknik eller drift av infrastruktur i stor skala.
- Dokumenterat ansvar för produktionsdriftsäkerhet i stor skala, inklusive SLO:er och felbudgetar, beredskap och incidentledning, förutsättningslösa granskningar samt mätbara förbättringar av tillgänglighet eller medeltid mellan avbrott.
- Praktisk erfarenhet av drift av HPC- eller AI-kluster och NVIDIA GPU-infrastruktur, inklusive livscykler för drivrutiner och CUDA-verktygslådor, fast programvara, profilering av arbetslaster samt felsökning av processorer, GPU:er och höghastighetsförbindelser.
- Omfattande erfarenhet av Kubernetes-drift i GPU- och HPC-miljöer, inklusive nodlivscykler, uppgraderingar och tömning, schemaläggarbeteende, Slurm samt blandade miljöer med fysiska och virtualiserade system för flera hyresgäster.
- Goda kunskaper i Python och Bash, infrastruktur som kod och konfigurationshantering såsom Ansible och Terraform, GitOps-baserad livscykelhantering och uppgradering av flottor samt Prometheus, Grafana och Loki.
- Gedigen Linux-kompetens, inklusive Red Hat och Ubuntu, trimning och säkerhet för operativsystem, grunderna i datacenternätverk samt parallell eller företagsanpassad lagring såsom Lustre, GPFS, ZFS och XFS.
- Erfarenhet av att planera och genomföra proaktiva utrullningar av fast programvara, mikrokod eller fältmeddelanden i stora produktionsflottor.
- Kunskap om DCGM, XID-diagnostik, GPUd, NVSentinel, nodhälsoagenter och tillförlitlighetsanalys för hela flottor.
- Erfarenhet av NVIDIA GPU- och Network Operators samt NVIDIA Base Command Manager.
- Praktisk erfarenhet av schemaläggnings- och inferensramverk för AI i Kubernetes, såsom KAI, Grove, Dynamo och NVIDIA Cloud Functions.
- Expertkunskap om RDMA-fabric såsom InfiniBand eller RoCE; erfarenhet av Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA och drift av NVLink/NVSwitch-partitionering är meriterande.