Senior Site Reliability Engineer, DGX Cloud

Stack

Feladatok

• ▹Nagyméretű Kubernetes-klaszterek üzemeltetési és megbízhatósági támogatása
• ▹SLO/SLI-k meghatározása és hibaköltségvetés (error budget) monitorozása
• ▹Szolgáltatások bevezetés előtti és utáni támogatása, kapacitástervezés
• ▹GPU-terhelések üzemeltetése AWS, GCP, Azure, OCI és privát felhőkön
• ▹Rendszerek automatizált skálázása és megbízhatósági fejlesztése
• ▹Súlyos incidensek kivizsgálása és gyökérok-elemzés vezetése
• ▹Részvétel ügyeleti (on-call) rotációban

Elvárások

• ▹Informatika vagy rokon terület BSc, vagy azzal egyenértékű tapasztalat
• ▹10+ év tapasztalat éles szolgáltatások üzemeltetésében
• ▹Kiváló szintű Kubernetes-adminisztráció és konténerizáció
• ▹Infrastruktúra-automatizálási eszközök (Terraform, Ansible, Chef, Puppet)
• ▹Legalább egy magas szintű nyelv (pl. Python, Go)
• ▹Mély Linux és hálózati (TCP/IP) ismeretek, felhőbiztonsági szabványok
• ▹SRE-alapelvek: SLO, SLI, hibaköltségvetés, incidenskezelés
• ▹Observability-stack építése (OpenTelemetry, Prometheus, Grafana, ELK, Splunk)

Előny

• ▹GPU-gyorsított klaszterek üzemeltetése KubeVirttel éles környezetben
• ▹Generatív AI alkalmazása az üzemeltetési terhek csökkentésére
• ▹Munkafolyamat-orkesztráló platformok (Temporal, Cadence, Airflow, Argo Workflows)

Soft skillek

A munkáltatóról

Az NVIDIA több mint 25 éve alakítja át a számítógépes grafikát és a gyorsított számítástechnikát; a DGX Cloud egy teljes körűen menedzselt AI-platform a vezető felhőszolgáltatóknál.