Expert kubernetes /ia (h/f) : kubernetes, prometheus

Onyx-Conseil; Fontenay-aux-Roses; On-site; EUR 70,000 - 95,000; Full time

Job summary

Onyx-Conseil recherche pour son client un Expert Kubernetes/IA afin de garantir la disponibilité, la performance et la stabilité du cluster IA et d assurer son exploitation automatisée.

Les missions couvrent le MCO du cluster GPU/CPU, l administration Linux, l exploitation Kubernetes (déploiement, scaling, HA) et la supervision via Prometheus et Grafana. Automatiser les tâches avec Ansible et Bash/Python et gérer les mises à jour système et les drivers NVIDIA.

Qualifications

• Expérience en administration de systèmes Linux.
• Expert Kubernetes / IA avec gestion de clusters GPU/CPU.
• Connaissance de Prometheus et Grafana pour supervision.
• Automation via Ansible et scripting Bash/Python.

Responsibilities

• Maintien en condition opérationnelle du cluster IA, gestion GPU/CPU, stockage et réseau.
• Administration Linux: installation, configuration et optimisation.
• Gestion d exploitaton Kubernetes: déploiement, montée en charge et HA.
• Supervision avec Prometheus et Grafana.
• Gestion des incidents et plans d action correctifs.

Skills

Linux administration

Kubernetes management

Tools

Kubernetes

Prometheus

Grafana

Ansible

Bash

Python

NVIDIA drivers

Job description

Nous recherchons pour notre client un(e) Expert Kubernetes /IA (H/F).

Rôle principal : Garantir la disponibilité, performance et stabilité du cluster IA (GPU/CPU/réseau/stockage), automatiser son exploitation et assurer le support.

Vos missions :

• Maintien en condition opérationnelle (MCO) du cluster IA, incluant la gestion des nœuds GPU/CPU, du stockage et du réseau.
• Administration des systèmes Linux : installation, configuration et optimisation.
• Exploitation et gestion des environnements Kubernetes : déploiement, montée en charge (scaling) et haute disponibilité (HA).
• Supervision et monitoring des infrastructures à l'aide d'outils tels que Prometheus et Grafana.
• Gestion des incidents techniques, analyse post-mortem et mise en place de plans d'action correctifs.
• Automatisation des tâches opérationnelles via Ansible et scripts Bash/Python.
• Gestion des jobs : ordonnancement des tâches GPU, gestion des quotas et priorités.
• Pilotage des mises à jour des systèmes d'exploitation, des pilotes NVIDIA et des composants Kubernetes.
• Gestion des incidents liés à l'infrastructure et coordination des interventions.
• Rédaction et mise à jour de la documentation d'exploitation pour assurer la traçabilité et la continuité des opérations.