Technikai Támogatási Mérnök (GPU-klaszterek) – amerikai hétvégi műszak

Stack

Feladatok

• ▹Ügyfelek közvetlen támogatása komplex technikai kihívásokban a Kubernetes GPU-klaszterekkel kapcsolatban
• ▹Customer-facing SRE szerepkör: az ügyfelek Kubernetes-klasztereinek egészséges, stabil működésének biztosítása
• ▹Termékszakértővé válás a GPU Cluster szolgáltatásban, utolsó technikai védvonalként Engineering és Product előtt
• ▹GPU-klaszter állapotának monitorozása, hardverproblémák (túlmelegedés, BMC-hibák, hiányzó GPU-k, NVLink/InfiniBand degradáció) proaktív jelzése egyértelmű elhárítási lépésekkel
• ▹Éles infrastruktúra üzemeltetése vállalati GPU-ügyfelek számára: flotta-kiegyensúlyozás, Slurm-klaszter karbantartás, node javítás/migráció, Kubernetes-alapú workload-kezelés
• ▹Tárolási és hálózati problémák (Weka fájlrendszer-degradáció, InfiniBand link-hibák, sávszélesség-anomáliák) kivizsgálása bare-metal és VM környezetekben
• ▹Együttműködés Engineering, Research és Product csapatokkal az ügyfélproblémák megoldásában
• ▹Ügyfél-visszajelzések mintázatainak azonosítása, beépítése a termék-roadmapbe
• ▹Részletes dokumentáció vezetése rendszerkonfigurációkról, eljárásokról, hibaelhárítási útmutatókról
• ▹Rugalmas ügyeleti lefedettség biztosítása ünnepnapokon, éjszaka és hétvégén

Elvárások

• ▹3+ év tapasztalat ügyfélközpontú technikai szerepkörben, ebből legalább 1 év AI szolgáltatás vagy kritikus SaaS API támogatásában
• ▹SRE vagy DevOps mérnöki tapasztalat Kubernetesszel
• ▹Erős technikai háttér AI, ML és GPU technológiákban, HPC-környezetek integrációjában
• ▹Haladó ismeretek infrastruktúra-szolgáltatásokban (Kubernetes, SLURM), infrastructure-as-code megoldásokban (pl. Ansible), nagy teljesítményű hálózati fabricokban, NFS-alapú tárolásban

Soft skillek

A munkáltatóról

A Together AI egy élvonalbeli AI-vállalat, amely GPU-klasztereken üzemeltet tréning, finomhangolási és inference szolgáltatásokat ügyfelei számára.