d-Matrix 致力于开发数据中心 AI 推理技术，通过存内计算提升计算效率。公司成立于 2019 年，融合定制电路设计、机器学习工具、软件、算法以及芯粒级互连技术，应对现代人工智能工作负载中内存与计算融合的挑战。
现场可靠性工程总监，人工智能基础设施——d-Matrix，圣克拉拉混合办公
负责 d-Matrix 生成式 AI 推理基础设施的 SRE 组织。 全面负责可靠性、可观测性、自动化、存储以及混合云和本地环境运营。
描述
- 建立并领导 d-Matrix 的现场可靠性工程组织。
- 制定 SRE 章程，并将可靠性实践融入硬件和软件工程。
- 招聘、培养并留住一支由 1 至 3 名 SRE 工程师组成的团队。
- 管理数据中心和实验室技术团队，同时制定运营优先级和标准。
- 负责托管设施、本地实验室集群、云环境以及面向客户的平台服务的全天候可靠性。
- 围绕故障域、渐进式交付和严格的变更控制设计高韧性系统。
- 定义服务级指标、服务级目标和错误预算。
- 建立随叫随到流程，并随着全球运营扩大引入日不落模式。
- 制定事件响应和根因分析框架。
- 负责指标、链路追踪和日志的可观测性建设。
- 推进基于 Terraform 和 Ansible 的自动化，包括自愈基础设施。
- 实施主机生命周期自动化、集群修复以及由 AIOps 支持的告警机制。
- 负责云、托管和本地环境的 FinOps 与容量规划。
- 领导从临时 JBOD 存储向覆盖本地、托管和云环境的企业级共享存储转型。
- 与软件工具、QA DevOps、工程、网络运营和 IT 运营团队协作，提升可靠性和成本效率，并管理技术债务。
任职要求
- 计算机科学、电气工程或相关专业本科或硕士学位。
- 具备至少 15 年 SRE、基础设施工程或生产工程经验。
- 具备至少 5 年 SRE 或基础设施工程团队领导经验。
- 有创建或大幅重建 SRE 或基础设施工程职能的经验。
- 有定义 SLO、建立随叫随到机制、实施可观测性以及领导组织变革的经验。
- 精通 Linux 系统。
- 具备企业级共享存储经验，包括 NAS/SAN、大规模 NFS/SMB、快照与复制架构以及混合云存储集成。
- 有大规模运营托管设施和本地硬件的经验。
- 了解服务器生命周期管理、电力与冷却系统以及机架级网络。
- 具备 Terraform 和 Ansible 的生产环境经验，包括模块设计、远程状态、环境隔离和变更治理。
- 有运营 Kubernetes 集群的经验，包括生命周期管理、工作负载可靠性、存储和大规模 RBAC。
- 有负责 Prometheus、Grafana、Datadog 或 Splunk 等可观测性平台的经验。
- 具备使用 Python 或 Go 编写生产服务和基础设施自动化脚本的能力。
- 具备出色的高管沟通能力。
- 能够在高不确定性、低流程的环境中高效工作。
- 有运营面向客户的基础设施或平台服务经验者优先。
- 了解 InfiniBand、RoCE 或 NVLink 者优先。
- 有使用 Slurm、LSF 或同类 HPC 调度器的经验者优先。
- 具备 AWS、Azure 和 GCP 混合多云运营经验者优先。
- 具备 FinOps 专业能力者优先。
- 了解 ITIL 或同等的事件、问题和变更管理框架者优先。
- 有已发表的技术文章、会议演讲或开源贡献者优先。
- 必须依法获准在美国工作。
福利待遇
- 股权薪酬。
- 与个人和公司绩效挂钩的奖金或激励机会。
- 医疗保险。
- 牙科保险。
- 视力保险。
- 401(k) 计划。
- 关注员工及其亲友福祉的包容性奖励计划。