site reliability engineer

Enfint; Greater London; On-site; GBP 120,000 - 180,000; Full time

Job summary

EPAM приглашает опытного руководителя SRE в Лондон для ведения глобальной команды инженеров, ориентированной на устойчивость систем, автоматизацию и масштабируемость.

Задачи включают интеграцию надёжности в SDLC, сотрудничество с продуктовой, операционной и безопасной командами, а также развитие процессов инцидент-менеджмента и мониторинга.

Qualifications

• Опыт работы в SRE/DevOps в распределённых системах.
• Развертывание инфраструктуры как код (IaC) и CI/CD.
• Управление инцидентами, знание ITIL.

Responsibilities

• Руководить и масштабировать глобальную SRE-команду, ориентированную на инженерное качество.
• Сотрудничать с продуктом, платформой, операциями и безопасностью, внедряя надёжность в SDLC.
• Определять и мониторить KPI надёжности, производительности и эффективности.
• Развивать автоматизацию, IaC и самоисцеление через AI/ML.
• Разрабатывать устойчивые фреймворки инцидент-менеджмента и возглавлять реакции на крупные инциденты.
• Внедрять безвиновные постмортемы и системные улучшения в продакшне.
• Установить стратегии наблюдаемости с унифицированными инструментами для метрик, логов и трассировки.
• Внедрять SRE-практики: SLI, SLO, SLA и бюджеты ошибок.
• Продвигать стратегии устойчивости, высокую доступность и DR readiness.
• Способствовать культуре автоматизации: CI/CD и эксплуатационные инструменты.

Skills

SRE leadership

DevOps

Distributed systems

Observability

Automation

IaC

CI/CD

Incident management

ITIL

AI for operations

Tools

Terraform

CloudFormation

CI/CD pipelines

Observability platforms

Job description

Описание

EPAM is a global provider of digital engineering, cloud, and AI-enabled transformation services, focusing on complex software product development and digital platform engineering.

Задачи

• Lead and scale a global SRE organization, focusing on engineering excellence and team empowerment
• Collaborate with product, platform, operations, and security teams to embed reliability within SDLC practices
• Define and monitor KPIs for system reliability, performance, and operational efficiency
• Advance automation, Infrastructure as Code approaches, and promote self-healing systems using AI/ML techniques
• Develop robust incident management frameworks and lead major incident response activities for critical systems
• Implement blameless postmortems and deliver systemic improvements across production environments
• Establish observability strategies with standardized tooling for metrics, logs, and tracing to support distributed systems
• Adopt and enforce SRE practices, including SLIs, SLOs, SLAs, and error budgets across services
• Drive resilience strategies with highly available architectures and disaster recovery readiness
• Champion an automation-first culture, leveraging CI/CD pipelines and operational tooling to reduce manual processes

Требования

• Strong background in Site Reliability Engineering, DevOps, or platform operations in complex, distributed environments
• Expertise in observability platforms, troubleshooting distributed systems, and telemetry-driven insights
• Hands‑on experience with automation, Infrastructure as Code (Terraform or CloudFormation), and CI/CD practices
• Deep understanding of incident management processes, ITSM standards, and ITIL principles
• Knowledge of resilience design patterns, high availability, and fault‑tolerant architectures
• Familiarity with AI/ML‑driven approaches for operational efficiency and system reliability
• Ability to lead transformation, influence across teams, and foster continuous improvement in culture
• Nice to have: Experience in financial services or other highly regulated, mission‑critical environments, Certifications in cloud technologies such as AWS, Exposure to AIOps platforms or advanced observability tooling