NVIDIA розробляє технології прискорених обчислень і штучного інтелекту, які використовуються в ігровій індустрії, центрах обробки даних, хмарних обчисленнях, охороні здоров’я, виробництві, автомобільній галузі та робототехніці. Компанія працює над графічними процесорами, платформами штучного інтелекту, технологіями моделювання та галузевими рішеннями, зокрема NVIDIA Omniverse для спільних робочих процесів із 3D-графікою, NVIDIA DRIVE для розробки автономних транспортних засобів і NVIDIA Clara для медичних застосувань. У компанії працюють великі технічні команди, які створюють інфраструктуру та програмне забезпечення для передових обчислень, моделювання й аналітики на основі штучного інтелекту.
Старший архітектор рішень для хмарної інфраструктури та надійності
Керуйте надійністю GPU-парків NVIDIA Cloud Partner на етапі експлуатації в регіоні EMEA. Автоматизуйте відновлення після збоїв, спостережуваність, обслуговування та роботу Kubernetes у масштабах парку.
Опис
- Керуйте стабільністю та надійністю промислових систем у парках NVIDIA Cloud Partner у регіоні EMEA.
- Визначайте та вдосконалюйте показники надійності й пропускної здатності робочих навантажень для великих GPU-кластерів, керуйте бюджетами помилок платформи.
- Створюйте автоматизовані процеси виявлення збоїв GPU, вузлів, мережевої фабрики та сховищ і відновлення після них.
- Автоматизуйте первинне опрацювання збоїв, виведення вузлів із робочих навантажень та ізоляцію, перезапуск і процедури повернення в експлуатацію.
- Плануйте та проводьте профілактичне обслуговування, розгортання мікропрограм і повідомлень про зміни: від аналізу ризиків і поетапного розгортання до перевірки результатів.
- Інтегруйте інструменти спостережуваності та надійності парку — зокрема Prometheus, Grafana, Loki, DCGM, діагностику XID, GPUd і NVSentinel — із системами партнерів.
- Координуйте реагування на інциденти та розбори після них із NVEX, технічними менеджерами з роботи з клієнтами й операційними командами партнерів.
- Керуйте розслідуванням першопричин, забезпечуйте виконання коригувальних заходів і перетворюйте повторювані інциденти на автоматизацію, перевірки стану або інструкції.
- Керуйте життєвим циклом вузлів Kubernetes і надійністю в Kubernetes, KubeVirt, Slurm і планувальниках, що враховують GPU.
- Визначайте політики стану вузлів і координуйте оновлення, перезавантаження та безпечне виведення робочих навантажень із вузлів із GPU-прискоренням.
Вимоги
- Ступінь бакалавра, магістра або доктора наук у галузі комп’ютерних наук, електротехніки чи комп’ютерної інженерії, фізики, математики або суміжній галузі чи еквівалентний досвід.
- Щонайменше 8 років досвіду в інженерії надійності сайтів, виробничій інженерії або експлуатації великомасштабної інфраструктури.
- Підтверджений досвід відповідальності за надійність промислових систем у великому масштабі, включно із SLO та бюджетами помилок, чергуваннями й керуванням інцидентами, розборами без пошуку винних і вимірюваним підвищенням доступності або середнього часу між перериваннями.
- Практичний досвід експлуатації HPC- або AI-кластерів та інфраструктури NVIDIA GPU, включно з життєвим циклом драйверів і CUDA Toolkit, мікропрограмами, профілюванням робочих навантажень і діагностикою CPU, GPU та високошвидкісних з’єднань.
- Значний досвід експлуатації Kubernetes у GPU- та HPC-середовищах, зокрема життєвий цикл вузлів, оновлення й виведення з робочих навантажень, поведінка планувальників, Slurm і багатокористувацькі системи з поєднанням фізичних і віртуалізованих серверів.
- Впевнене володіння Python і Bash, інфраструктурою як кодом та керуванням конфігураціями, зокрема Ansible і Terraform, керуванням життєвим циклом і оновленнями парку на основі GitOps, а також Prometheus, Grafana і Loki.
- Глибокі знання Linux, зокрема Red Hat і Ubuntu, налаштування й захисту операційних систем, основ мереж центрів обробки даних і паралельних або корпоративних систем зберігання, таких як Lustre, GPFS, ZFS і XFS.
- Досвід планування та виконання проактивного розгортання мікропрограм, мікрокоду або оновлень за повідомленнями про зміни на великому промисловому парку.
- Обізнаність із DCGM, діагностикою XID, GPUd, NVSentinel, агентами перевірки стану вузлів і аналітикою надійності всього парку.
- Досвід роботи з NVIDIA GPU Operator, NVIDIA Network Operator і NVIDIA Base Command Manager.
- Практичний досвід роботи з фреймворками планування AI-навантажень та інференсу в Kubernetes, такими як KAI, Grove, Dynamo і NVIDIA Cloud Functions.
- Експертні знання RDMA-мереж, таких як InfiniBand або RoCE; досвід роботи з Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA та операціями розділення NVLink/NVSwitch буде перевагою.