SRE engineer for AI platforms

Encord; Greater London; Hybrid; GBP 85.000 - 130.000; Vollzeit

Benefits dieser Stelle

Learning & development budget

London office 4+ days/week

Company lunches

Equity

Zusammenfassung

Encord приглашает старшего инженера по надёжности эксплуатации в команду платформенного инжиниринга. Вы будете встроены в команды, строящие и эксплуатирующие инфраструктуру Encord, обеспечивая производительность, надёжность, наблюдаемость и масштабируемость платформы.

Кандидат обладает практическим опытом SRE/DevOps, сильными знаниями в распределённых системах, сетях и мониторинге, а также умеет работать в условиях on-call и инцидент-менеджмента.

Qualifikationen

• Опыт hands-on в SRE/DevOps или платформа инженерии в продакшн-среде.
• Сильные основы проектирования устойчивых распределённых систем.
• Разбираетесь в сетях, ОС и технологиях баз данных.
• Опыт observability: метрики, логи, трассировка и алерты.

Aufgaben

• Профилировать и оптимизировать сервисы для больших данных.
• Планировать ёмкость хранилища и вычислений для интенсивных нагрузок.
• Сотрудничать с командами для установления бенчмарков производительности.
• Работать над CI/CD и инфраструктурными изменениями вместе с-backend/ML инженерами.
• Определять и владеть SLI/SLO/SLA для критических сервисов.
• Строить алерты, планы реагирования и инцидент-менеджмент.
• Проводить постмортемы в без blame культуре.
• Проектировать, разворачивать и поддерживать облачную инфраструктуру (GCP/AWS).
• Управлять Kubernetes, сетями и хранением на масштабах petabytes.
• Повышать продуктивность разработки и развивать автоматизацию и инструменты.
• Инструментировать сервисы через трассировку, логи и метрики; обеспечивать видимость.

Kenntnisse

SRE/DevOps опыт

Распределенные системы

Наблюдаемость и мониторинг

Управление инцидентами

Tools

Prometheus

Grafana

OpenTelemetry

Datadog

Jobbeschreibung

Описание:

Encord is the universal data layer for AI that helps 300+ AI teams train and run models on the right data. Our platform indexes, curates, annotates, and evaluates data across the full AI lifecycle, from development through production. We're looking for a Senior Site Reliability Engineer to join our growing platform engineering team. You'll be embedded in the teams building and operating Encord's core infrastructure, ensuring our platform is performant, reliable, observable, and scalable.

Задачи:

• Profile and optimise services handling large-scale data pipelines
• Perform capacity planning for storage and compute-intensive workloads
• Work with squads to establish performance benchmarks and expectations
• Partner closely with backend and ML engineers to improve deployment pipelines (CI/CD), review infrastructure changes, and champion reliability best practices
• Define and own SLIs/SLOs/SLAs for critical services
• Build alerting, runbooks, and incident response processes
• Lead postmortems with a blameless culture
• Design, deploy, and maintain cloud infrastructure on GCP and AWS
• Manage Kubernetes clusters, networking, and storage at petabyte scale
• Work to improve developer productivity and guide and review automation and tooling efforts across the engineering group
• Instrument services with distributed tracing, logging, and metrics (Prometheus, Grafana, OpenTelemetry, Datadog or similar); build infrastructure, define best practices and work with each squad to ensure every service is observable before it goes to production

Требования:

• Experience on hands-on SRE, DevOps, platform engineering experience or similar in a production environment.
• Strong fundamentals in designing, building and maintaining resilient distributed and/or high performance systems.
• Solid understanding of networking, operating systems and database technologies.
• Experience with observability fundamentals — metrics, logs, traces, and alerting.
• Comfortable with on-call rotations and incident management.

Условия:

• Competitive salary, commission, and meaningful equity in a high-growth startup
• Strong in-person culture — most of the team works from our London office 4+ days/week
• 25 days annual leave + UK public holidays
• Annual learning & development budget
• Travel for customer visits, events, and conferences across the UK and Europe
• Daily company lunches
• Monthly socials & bi-annual team offsites