Senior Cloud Infrastructure and Reliability Solutions Architect

À propos du poste

Des flottes qui approchent le million de GPU ont besoin de quelqu'un qui raisonne en SLO et en rayon d'impact. Un travail indépendant des outils sur des stacks ouvertes, en rencontrant chaque partenaire sur ce qu'il fait réellement tourner.

En un coup d'œil

Vos missions

• Assurer la stabilité de la production à l'échelle de la flotte pour les partenaires EMEA : définir et améliorer le MTBI et le goodput des jobs, et tenir le budget d'erreur
• Construire la boucle de la détection des pannes à la correction : signatures GPU, nœud, fabric et stockage, triage automatisé, drain, cordon, reset et retour en service
• Mener la maintenance préventive et les déploiements échelonnés de firmware et de field notices, y compris les contrôles de risque, les fenêtres de maintenance et la vérification
• Piloter les outils d'observabilité pour les flottes de GPU comme Prometheus, Grafana, Loki, DCGM et les diagnostics XID, ainsi que les agents de santé des nœuds
• Diriger la réponse aux incidents et les revues sans blâme avec les équipes d'exploitation des partenaires, en transformant les incidents récurrents en automatisation, en health checks ou en runbooks
• Gérer le cycle de vie des nœuds Kubernetes sur des stacks ouvertes mixtes, y compris l'orchestration des mises à niveau et des redémarrages et le drain sécurisé des nœuds GPU

Le profil recherché

• Diplôme en informatique, en génie électrique ou informatique, en physique, en mathématiques ou dans un domaine connexe, ou expérience équivalente
• Une expérience confirmée de la fiabilité à l'échelle : SLO, budgets d'erreur, astreinte, commandement des incidents et gains de disponibilité mesurables
• Des opérations de clusters HPC ou IA concrètes : cycle de vie des drivers et de CUDA, firmware, profilage des charges de travail et dépannage sur CPU, GPU et fabric
• De l'expérience avec Kubernetes