WEKA
WEKA
201 – 500 员工
B2B人工智能企业
WEKA 为运行 AI 和数据工作负载的企业客户开发原生支持 AI 的数据平台。公司还通过其支持门户提供客户支持和账户管理服务。

高级全球问题解决工程师(班加罗尔)

负责 WEKA 混合云数据平台的复杂客户升级问题,从根因分析到彻底解决。\n排查 GPU、网络、存储及 NVIDIA DGX 环境,并将反复出现的问题转化为产品和支持服务改进。

描述

  • 牵头处理重大客户升级问题,从分析到彻底解决,包括主持实时事件协作会议。
  • 追查应用、计算与 GPU、客户端、网络、存储及云服务中的问题根因。
  • 识别不同案例和软件版本中的缺陷模式及客户影响范围,并推动预防措施。
  • 尽可能在支持团队内解决问题;需要修改代码时,整理可复现且有证据支撑的缺陷报告提交研发团队。
  • 创建并维护已知问题记录、WEKA 技术公告和知识库文章。
  • 将反复出现的案例转化为产品和流程改进,包括向开发团队反馈以及提升产品可支持性的需求。
  • 开发分析工具和自动化方案,提高支持团队的工作效率。
  • 指导客户成功工程师,提升支持团队的整体技术能力。
  • 为客户成功团队、新员工和合作伙伴团队提供技术培训。
  • 参与值班轮换,支持全天候服务。
  • 指导 NCP 和 DGX Cloud 相关工作,包括参考架构、验收与基准测试工具,以及与 NCP 和 NVIDIA 工程师联合排查问题。

任职要求

  • 计算机科学、工程或相关专业学士学位,或具备同等实践经验。
  • 至少 10 年高级技术支持、持续工程、站点可靠性工程(SRE)或系统工程经验,并直接服务过客户。
  • 具备成功解决复杂分布式系统问题的经历。
  • 有将单个升级问题转化为更广泛解决方案的经验,例如产品更改、技术公告或工具。
  • 有在重大且备受关注的事件中为客户提供支持的经验。
  • 有与工程团队协作解决缺陷的经验,包括复现问题并提供根因证据。
  • 英语书面和口语能力强。
  • 能够灵活安排工作时间,适应全球团队协作。
  • 具备跨层级的系统分析能力,例如能将网络、内核、存储或应用的变化与其他环节出现的症状联系起来。
  • 深入掌握 Linux,包括内核、内存管理、NUMA、CPU 调度和驱动程序。
  • 具备分布式存储或并行文件系统经验。
  • 了解 RDMA、RoCE、InfiniBand 和 Ethernet 等高性能网络技术。
  • 具备高级调试技能,包括大规模核心转储和日志分析,以及使用 perf、eBPF、gdb 和阅读源代码。
  • 能够根据指标提出性能假设,并通过数据验证。
  • 有 GPU 和 AI 工作负载经验者优先,尤其是 GPUDirect Storage,以及 NVIDIA DGX、SuperPOD 或 NCP 参考架构相关经验。
  • 具备公共云(AWS、Azure、GCP 或 OCI)、Kubernetes、容器和虚拟化经验者更佳。
  • 熟悉 NFS、SMB 和 S3 协议、DPDK 和 UCX,以及 Python、Bash、Ansible 或 Terraform 等自动化工具者更佳。

相关职位