Andromeda, makine öğrenimi iş yükleri geliştiren ve çalıştıran ekiplere GPU işlem gücü sağlar. Hizmeti; deneme, model eğitimi ve çıkarım işlemleri için NVIDIA H100, H200 ve B200 hızlandırıcı kümelerine isteğe bağlı erişim sunar. Bu kümeler Slurm, Kubernetes veya SSH üzerinden yönetilebilir. Müşteriler esnek kullanım ve depolama seçeneklerinden yararlanabilir; Andromeda ekibi DevOps desteği sağlar. Şirket ayrıca üçüncü taraf bir GPU pazaryeri olan GPUList.ai’yi işletir. Mevcut profilde işe alım bağlamı ve ekip ayrıntıları belirtilmemiştir.
Kıdemli Müşteri Güvenilirliği Mühendisi, Avrupa Uzaktan
Linux, Kubernetes ve GPU kümelerindeki müşteri olaylarını giderin; Andromeda’nın yapay zekâ işlem altyapısının güvenilirliğini korumaya katkıda bulunun. Rol; olay müdahalesi, sağlayıcılarla koordinasyon, izleme ve operasyonel otomasyonu kapsar.
Açıklama
- Müşteri sorunlarını yeniden oluşturmadan çözüme, eskalasyona ve kapatmaya kadar yönetin
- Süreçler, ağ, depolama, çekirdek günlükleri, kaynak rekabeti, systemd ve journald ile ilgili Linux sorunlarını teşhis edin
- Pod'lar, düğüm koşulları, zamanlama ve kaynak sınırlarıyla ilgili Kubernetes arızalarını araştırın
- Sürücü ve aygıt eklentisi arızaları, XID hataları, aşırı ısınma nedeniyle performans kısıtlaması, düğümlerin cordon edilmesi veya boşaltılması ve çok düğümlü iş arızaları gibi GPU sorunlarını giderin
- Gerektiğinde destekleyici kanıtlarla sorunları üst seviyeye taşıyın
- 7/24 nöbetçi çalışma düzenine katılın
- Uyarılara ve müşterilerin bildirdiği kesintilere yanıt verin, etkiyi değerlendirin, önem derecesi belirleyin ve ilgili ekipleri sürece dahil edin
- Durum ve yanıtlanmamış sorular da dahil olmak üzere olaylar sırasında müşterileri bilgilendirin
- Olayları kaydedin ve bulguları çalışma kılavuzlarına, uyarılara veya düzeltmelere dönüştürün
- Arızaların sağlayıcıdan mı, Andromeda’dan mı yoksa müşteriden mi kaynaklandığını belirleyin
- İşlem sağlayıcılarıyla destek talepleri oluşturun ve takibini yapın
- Tekrarlayan sağlayıcı arızalarını izleyin ve örüntüleri tedarik kararlarını veren kişilerle paylaşın
- Python veya Bash kullanarak elle yapılan kontrolleri otomatikleştirin
- Küme ve düğüm sağlığı izlemeyi, GPU telemetrisini, panoları ve eyleme dönüştürülebilir uyarıları geliştirin ve iyileştirin
- Çalışma kılavuzlarını ve müşteri belgelerini güncel tutun
Gereksinimler
- Günlükler, süreçler, ağ ve diskler dahil olmak üzere Linux komut satırında uygulamalı sorun giderme deneyimi
- Kubernetes pod'ları, düğümleri, dağıtımları, servisleri, zamanlaması ve arıza incelemesi konusunda çalışma bilgisi
- Tekrarlayan görevleri Python veya Bash ile otomatikleştirebilme
- Güçlü teknik yazım becerileri ve sorunları müşterilere açıkça anlatabilme
- Önceliklendirme, üst seviyeye taşıma ve iletişim konularında baskı altında sağduyulu karar verebilme
- 7/24 nöbetçi çalışma düzenine katılmaya istekli olma
- Sürücüler, CUDA, DCGM ve Kubernetes aygıt eklentisiyle NVIDIA GPU'larını üretim ortamında kullanma deneyimi tercih sebebidir
- InfiniBand, RoCE veya NCCL ile yüksek performanslı ağ deneyimi tercih sebebidir
- HPC veya Slurm deneyimi tercih sebebidir
- Destek mühendisliği, teknik hesap yönetimi, çözüm danışmanlığı veya profesyonel hizmetlerde müşteriyle doğrudan çalışma deneyimi tercih sebebidir
- Prometheus, Grafana, Datadog veya benzeri araçlara aşinalık tercih sebebidir
- Terraform, Ansible veya Helm ile Altyapı Olarak Kod deneyimi tercih sebebidir
- Yapay zekâ altyapısına ve büyük ölçekli eğitim işlerine ilgi
Yan Haklar
- Kayda değer hisse opsiyonu
- Çalışanlar ve bakmakla yükümlü oldukları kişiler için sağlık, diş ve göz sigortası
- 401(k) emeklilik planı
- Sınırsız ücretli izin
- Yapay zekâ altyapısına odaklanan, hızla büyüyen bir şirkette çalışma fırsatı