Andromeda cung cấp năng lực tính toán GPU cho các nhóm phát triển và vận hành khối lượng công việc học máy. Dịch vụ cho phép truy cập theo nhu cầu vào các cụm bộ tăng tốc NVIDIA H100, H200 và B200 để thử nghiệm, huấn luyện mô hình và suy luận, với khả năng điều phối qua Slurm, Kubernetes hoặc SSH. Khách hàng có thể chọn các tùy chọn sử dụng và lưu trữ linh hoạt, đồng thời đội ngũ Andromeda hỗ trợ DevOps. Công ty cũng vận hành GPUList.ai, một thị trường GPU bên thứ ba. Hồ sơ hiện có không nêu bối cảnh tuyển dụng hay thông tin về đội ngũ.
Kỹ sư độ tin cậy khách hàng cấp cao, làm việc từ xa tại châu Âu
Xử lý sự cố của khách hàng trên Linux, Kubernetes và cụm GPU, góp phần duy trì độ tin cậy cho hạ tầng điện toán AI của Andromeda. Công việc bao gồm ứng phó sự cố, phối hợp với nhà cung cấp, giám sát và tự động hóa vận hành.
Mô tả
- Quản lý vấn đề của khách hàng từ khâu tái hiện đến giải quyết, chuyển cấp và đóng vụ việc
- Chẩn đoán sự cố Linux liên quan đến tiến trình, mạng, lưu trữ, nhật ký kernel, tranh chấp tài nguyên, systemd và journald
- Điều tra lỗi Kubernetes liên quan đến pod, trạng thái nút, lập lịch và giới hạn tài nguyên
- Khắc phục sự cố GPU như lỗi trình điều khiển và plugin thiết bị, lỗi XID, giảm hiệu năng do nhiệt, cô lập hoặc rút nút khỏi cụm, và lỗi tác vụ nhiều nút
- Chuyển cấp vấn đề kèm bằng chứng hỗ trợ khi cần
- Tham gia lịch trực luân phiên 24/7
- Phản hồi cảnh báo và sự cố mất dịch vụ do khách hàng báo cáo, đánh giá ảnh hưởng, xác định mức độ nghiêm trọng và huy động các nhóm phù hợp
- Cập nhật cho khách hàng trong suốt sự cố, bao gồm tình trạng hiện tại và các câu hỏi chưa được giải đáp
- Ghi nhận sự cố và chuyển kết quả tìm hiểu thành tài liệu quy trình, cảnh báo hoặc bản sửa lỗi
- Xác định lỗi bắt nguồn từ nhà cung cấp, Andromeda hay khách hàng
- Tạo phiếu hỗ trợ với các nhà cung cấp điện toán và theo dõi tiến độ
- Theo dõi các lỗi lặp lại từ nhà cung cấp và chia sẻ xu hướng với những người ra quyết định về lựa chọn nguồn cung
- Tự động hóa các bước kiểm tra thủ công bằng Python hoặc Bash
- Phát triển và cải thiện việc giám sát tình trạng cụm và nút, dữ liệu đo từ xa GPU, bảng điều khiển và cảnh báo có thể hành động
- Cập nhật tài liệu quy trình và tài liệu dành cho khách hàng
Yêu cầu
- Có kinh nghiệm thực hành khắc phục sự cố Linux bằng dòng lệnh, bao gồm nhật ký, tiến trình, mạng và ổ đĩa
- Có kiến thức thực tế về pod, nút, deployment, service, lập lịch Kubernetes và điều tra lỗi
- Có khả năng tự động hóa các tác vụ lặp lại bằng Python hoặc Bash
- Kỹ năng viết tài liệu kỹ thuật tốt và khả năng giải thích vấn đề rõ ràng cho khách hàng
- Có khả năng đánh giá hợp lý khi chịu áp lực để ưu tiên, chuyển cấp và trao đổi thông tin
- Sẵn sàng tham gia lịch trực luân phiên 24/7
- Kinh nghiệm vận hành GPU NVIDIA trong môi trường thực tế, với driver, CUDA, DCGM và plugin thiết bị Kubernetes là một lợi thế
- Kinh nghiệm về mạng hiệu năng cao với InfiniBand, RoCE hoặc NCCL là một lợi thế
- Kinh nghiệm về HPC hoặc Slurm là một lợi thế
- Kinh nghiệm làm việc trực tiếp với khách hàng trong lĩnh vực kỹ thuật hỗ trợ, quản lý tài khoản kỹ thuật, giải pháp hoặc dịch vụ chuyên nghiệp là một lợi thế
- Quen thuộc với Prometheus, Grafana, Datadog hoặc công cụ tương tự là một lợi thế
- Kinh nghiệm về Hạ tầng dưới dạng mã với Terraform, Ansible hoặc Helm là một lợi thế
- Quan tâm đến hạ tầng AI và các tác vụ huấn luyện quy mô lớn
Phúc lợi
- Cổ phần có giá trị
- Bảo hiểm y tế, nha khoa và thị lực cho nhân viên cùng người phụ thuộc
- Chương trình 401(k)
- Nghỉ phép có lương không giới hạn
- Cơ hội làm việc tại công ty đang phát triển nhanh, tập trung vào hạ tầng AI