Senior GPU Cloud Reliability Architect

Nvidia; United States; Remote; USD 140,000 - 210,000; Full time

Job summary

NVIDIA ищет инженера по надежности (Day 2 SRE) для работы в команде операций NVIDIA Cloud Partner. Роль фокусируется на масштабируемости, измерении MTBI, автоматизации цикла от обнаружения до исправления и совместной работе с NVEX и TAMs для постоянного улучшения инфраструктуры.

Требуется глубокий опыт SRE, Kubernetes на GPU-вычислениях, владение Python/Bash и инструментами мониторинга. Роль предполагает работу в open-source–тих стэках и координацию с партнерами на разных этапах жизненного цикла

Qualifications

• Опыт владения надежной эксплуатацией на крупном масштабе—SLO и error-budget
• Опыт работы с HPC/GPU-инфраструктурой и драйверными стеком NVIDIA
• Знание инфраструктуры как кода и инструментов мониторинга

Responsibilities

• Обеспечение Day 2 стабильности во множестве кластеров GPU
• Выявление và исправление корневых причин инцидентов
• Разработка автоматизаций для обнаружения и исправления неисправностей
• Оптимизация процессов обновления прошивок и уведомлений
• Управление наблюдаемостью и алгоритмами на кластерах
• Участие в ретроспективах и улучшении процессов эксплуатации

Skills

SRE-опыт

Python

Bash

Kubernetes

Infrastructure-as-Code

Observability

Education

BS/MS/PhD в CS/EE/Physics

Tools

Prometheus/Grafana/Loki

DCGM

KubeVirt

Slurm

NVIDIA BCM/BCM

Job description

NVIDIA ищет инженера по надежности (Day 2 SRE) для работы в команде операций NVIDIA Cloud Partner. Роль фокусируется на масштабируемости, измерении MTBI, автоматизации цикла от обнаружения до исправления и совместной работе с NVEX и TAMs для постоянного улучшения инфраструктуры.

Требуется глубокий опыт SRE, Kubernetes на GPU-вычислениях, владение Python/Bash и инструментами мониторинга. Роль предполагает работу в open-source–тих стэках и координацию с партнерами на разных этапах жизненного цикла