NVIDIA 致力于开发加速计算和人工智能技术，广泛应用于游戏、数据中心、云计算、医疗保健、制造、汽车和机器人等领域。其业务涵盖图形处理器、人工智能平台、仿真技术及面向行业的解决方案，包括支持协作式 3D 工作流程的 NVIDIA Omniverse、用于自动驾驶汽车开发的 NVIDIA DRIVE，以及面向医疗应用的 NVIDIA Clara。公司汇聚了众多技术团队，专注于构建支持先进计算、仿真和人工智能驱动分析的基础设施与软件。
高级网站可靠性工程师，生产工程——印度远程
作为高级网站可靠性工程师，专注于 Kubernetes 管理、自动化、可观测性和事件响应，支持 NVIDIA Cloud 产品。 协助维护全球运营中的高可用生产服务。
描述
- 领导全球服务可靠性运营中心
- 支持 NVIDIA Cloud 产品和服务
- 与网站可靠性工程、安全运营、DevOps 及其他团队协作
- 通过提升自动化水平、减少手动操作来支持生产 Kubernetes 服务
- 管理大规模 Kubernetes 和系统环境，同时监控安全状况，以保障 SLA、完整性和可靠性
- 使用告警、警报和可观测性工具识别、预防和响应事件
- 调查日志、指标和系统行为，诊断技术问题
- 主导根因分析并提供有效解决方案
- 发起并主持事件管理会议
- 通过及时升级和解决问题，协调主题专家与服务负责人
- 创建监控、警报和告警机制，提升服务可靠性和客户体验
任职要求
- 至少 7 年在高可用互联网、云或数据中心环境中管理大规模生产 Kubernetes 系统的实际经验
- 优先考虑具备本地部署基础设施经验者
- 计算机科学、工程、数学学士学位，或具备同等经验
- 具备 Kubernetes、SLURM 和大规模集群管理方面的高级实操经验
- 熟悉 GPU 或 DPU 硬件及高性能计算集群环境
- 具备扎实的 Linux 管理经验，包括 DNS、DHCP、IP tables、路由和防火墙
- 能够排查和维护大规模裸机基础设施上的服务
- 具备 Jenkins、ArgoCD 等 CI/CD 工具经验
- 具备编写脚本的经验
- 有 Python、Golang 或 Rust 编程经验者优先，但非必需
- 具备出色的沟通和人际交往能力，能够面向跨职能团队进行有说服力的演示
福利待遇
- 可获得全天候生产工程团队支持
- 可灵活安排分段周末班次