Andromeda 为构建和运行机器学习工作负载的团队提供 GPU 算力服务。该服务可按需使用由 NVIDIA H100、H200 和 B200 加速器组成的集群，支持实验、模型训练和推理，并可通过 Slurm、Kubernetes 或 SSH 进行编排。客户可选择灵活的使用和存储方案，Andromeda 团队还提供 DevOps 支持。公司还运营第三方 GPU 市场 GPUList.ai。现有资料未说明其招聘背景和团队详情。
高级客户可靠性工程师（欧洲远程）
排查 Linux、Kubernetes 和 GPU 集群中的客户故障，帮助保障 Andromeda AI 算力基础设施的可靠运行。 工作涵盖事故响应、服务商协调、监控和运维自动化。
描述
- 从复现问题到解决、升级处理和结案，全程管理客户问题
- 诊断 Linux 问题，包括进程、网络、存储、内核日志、资源争用、systemd 和 journald
- 调查 Kubernetes 故障，包括 Pod、节点状态、调度和资源限制
- 排查 GPU 问题，例如驱动和设备插件故障、XID 错误、热节流、节点封锁或排空，以及多节点作业故障
- 必要时提供支持证据并升级问题
- 参与 7×24 小时值班轮班
- 响应告警和客户报告的服务中断，评估影响、判定严重程度并协调相关团队
- 在事故处理期间向客户同步进展，包括当前状态和未解决的问题
- 记录事故，并将调查结果转化为运行手册、告警或修复方案
- 判断故障源自服务商、Andromeda 还是客户
- 向算力服务商创建支持工单并跟进
- 监控服务商反复出现的故障，并向负责供应商选择的决策者分享规律
- 使用 Python 或 Bash 自动化人工检查
- 开发并改进集群和节点健康监控、GPU 遥测、仪表板及可执行的告警
- 及时更新运行手册和客户文档
任职要求
- 具备 Linux 命令行实操排障经验，包括日志、进程、网络和磁盘
- 了解 Kubernetes Pod、节点、部署、服务、调度及故障调查
- 能够使用 Python 或 Bash 自动化重复性任务
- 具备出色的技术写作能力，能够向客户清晰解释问题
- 能够在压力下审慎判断，合理安排优先级、升级问题并进行沟通
- 愿意参与 7×24 小时值班轮班
- 具备 NVIDIA GPU 生产环境经验，涉及驱动、CUDA、DCGM 和 Kubernetes 设备插件者优先
- 具备 InfiniBand、RoCE 或 NCCL 高性能网络经验者优先
- 具备 HPC 或 Slurm 经验者优先
- 具备面向客户的技术工作经验者优先，例如支持工程、技术客户管理、解决方案或专业服务
- 熟悉 Prometheus、Grafana、Datadog 或类似工具者优先
- 具备 Terraform、Ansible 或 Helm 等基础设施即代码经验者优先
- 对 AI 基础设施和大规模训练作业感兴趣
福利待遇
- 有意义的股权激励
- 为员工及其家属提供医疗、牙科和视力保险
- 401(k) 退休储蓄计划
- 不限量带薪休假
- 有机会加入专注于 AI 基础设施的高速成长型公司
