d-Matrix 致力於開發資料中心 AI 推論技術，透過記憶體內運算提升運算效率。公司成立於 2019 年，結合客製化電路設計、機器學習工具、軟體、演算法以及晶粒級互連技術，應對現代人工智慧工作負載中記憶體與運算整合的挑戰。
現場可靠性工程總監，人工智慧基礎設施——d-Matrix，聖塔克拉拉混合辦公
負責 d-Matrix 生成式 AI 推論基礎設施的 SRE 組織。 全面負責可靠性、可觀測性、自動化、儲存，以及混合雲與內部部署環境的營運。
說明
- 建立並領導 d-Matrix 的現場可靠性工程組織。
- 制定 SRE 憲章，並將可靠性實務融入硬體與軟體工程。
- 招募、培養並留住一支由 1 至 3 名 SRE 工程師組成的團隊。
- 管理資料中心與實驗室技術團隊，同時制定營運優先順序與標準。
- 負責託管設施、內部部署實驗室叢集、雲端環境，以及面向客戶的平台服務之全天候可靠性。
- 圍繞故障域、漸進式交付與嚴謹的變更控管設計高韌性系統。
- 定義服務層級指標、服務層級目標與錯誤預算。
- 建立隨選待命流程，並隨著全球營運擴大導入日不落模式。
- 制定事件回應與根因分析框架。
- 負責指標、追蹤與日誌的可觀測性建設。
- 推進以 Terraform 與 Ansible 為基礎的自動化，包括自我修復基礎設施。
- 實施主機生命週期自動化、機群修復，以及由 AIOps 支援的警示機制。
- 負責雲端、託管與內部部署環境的 FinOps 與容量規劃。
- 領導從臨時 JBOD 儲存轉向涵蓋內部部署、託管與雲端環境的企業級共用儲存。
- 與軟體工具、QA DevOps、工程、網路營運及 IT 營運團隊合作，提升可靠性與成本效益，並管理技術債務。
職位要求
- 具備計算機科學、電機工程或相關領域的學士或碩士學位。
- 具備至少 15 年 SRE、基礎設施工程或生產工程經驗。
- 具備至少 5 年領導 SRE 或基礎設施工程團隊的經驗。
- 具備建立或大幅重建 SRE 或基礎設施工程職能的經驗。
- 具備定義 SLO、建立隨選待命計畫、實施可觀測性及領導組織變革的經驗。
- 精通 Linux 系統。
- 具備企業級共用儲存經驗，包括 NAS/SAN、大規模 NFS/SMB、快照與複寫架構，以及混合雲儲存整合。
- 具備大規模營運託管設施與內部部署硬體的經驗。
- 了解伺服器生命週期管理、電力與冷卻系統，以及機架層級網路。
- 具備 Terraform 與 Ansible 的正式環境經驗，包括模組設計、遠端狀態、環境隔離與變更治理。
- 具備營運 Kubernetes 叢集的經驗，包括生命週期管理、工作負載可靠性、儲存與大規模 RBAC。
- 具備負責 Prometheus、Grafana、Datadog 或 Splunk 等可觀測性平台的經驗。
- 具備使用 Python 或 Go 編寫正式環境服務與基礎設施自動化腳本的能力。
- 具備出色的高階主管溝通能力。
- 能在高不確定性、低流程的環境中有效工作。
- 具備營運面向客戶的基礎設施或平台服務經驗者優先。
- 具備 InfiniBand、RoCE 或 NVLink 知識者優先。
- 具備 Slurm、LSF 或同等 HPC 排程器經驗者優先。
- 具備 AWS、Azure 與 GCP 混合多雲營運經驗者優先。
- 具備 FinOps 專業能力者優先。
- 具備 ITIL 或同等事件、問題與變更管理框架知識者優先。
- 具備已發表技術文章、會議演講或開源貢獻者優先。
- 必須依法獲准在美國工作。
福利待遇
- 股權薪酬。
- 與個人及公司績效掛鉤的獎金或獎勵機會。
- 醫療保險。
- 牙科保險。
- 視力保險。
- 401(k) 計畫。
- 以員工及其親友福祉為核心的共融獎勵計畫。