Customer Reliability Engineer

Stelle nicht auf LinkedIn

🔥 vor 13 Stunden

🇪🇺 Europa – Remote

⏰ Vollzeit

🟡 Mittelstufe

🟠 Senior

⛑ DevOps- und Site Reliability Engineer (SRE)

👻 Geisterscore 10%

Was es bedeutet: wie wahrscheinlich diese Stelle offen bleibt, ohne dass aktiv eingestellt wird.So liest du es: 60 % oder höher heißt, wir halten das für einen Geisterjob. Niedrigere Werte sind weniger bedenklich.Wie wir werten: Dauer offen, Neuveröffentlichungen, offene Stellen vs Teamgröße, wie schnell Stellen geschlossen werden, und ob ein Gehalt angegeben ist.Hinweis: eine Schätzung aus öffentlichen Daten, kein Urteil über das Unternehmen. Echte Stellen können hoch punkten, nutze es also als Hinweis, nicht als Fakt.

Jetzt Bewerben

Ähnliche Remote-Jobs finden

E-Mail-Benachrichtigung für neue Jobs einrichten

📊 Überprüfen Sie Ihre Lebenslauf-Bewertung für diese Stelle

Verbessern Sie Ihre Chancen auf ein Vorstellungsgespräch, indem Sie Ihre Lebenslauf-Bewertung vor der Bewerbung überprüfen.

Lebenslauf hochladen

Andromeda

WebsiteLinkedInAlle Stellen

11 - 50 Mitarbeiter

🏥 Gesundheitswesen

💼 Beratung

🏨 Gastgewerbe

💰 €15.142.238 Series A - Andromeda Robotics im 2025-09

Healthcare • Consulting • Hospitality

Andromeda ist ein GPU-Computing-Service und Marktplatz, der sofortigen Zugriff auf große Cluster von H100-, H200- und B200-Beschleunigern für Experimente, umfassendes Training und Inferenz bietet. Er unterstützt die Orchestrierung mit Slurm, Kubernetes oder direktem SSH, bietet flexible Nutzung ohne Mindestdauer zu wettbewerbsfähigen Preisen und umfasst DevOps-Expertise sowie lokales NAS- oder gestreamtes Speichern ohne Eingangs-/Ausgangsgebühren und 24/7-Support mit Branchen-SLAs. Das Unternehmen betreibt außerdem einen Drittanbietermarkt für GPUs unter gpulist. ai.

Beschreibung

• Betreuung von Kundenproblemen von der Reproduktion über Diagnose, Behebung oder Eskalation bis zum Abschluss • Behebung von Linux-Problemen im Zusammenhang mit Prozessen, Netzwerk, Speicher, Kernel-Logs, Ressourcenengpässen, systemd und journald • Untersuchung von Kubernetes-Problemen, einschließlich ausstehender oder in einer Crash-Schleife befindlicher Pods, Node-Zuständen, Scheduling-Fehlern und Ressourcenlimits • Fehleranalyse bei GPU-Ausfällen, einschließlich Treiber- und Device-Plugin-Problemen, XID-Fehlern, thermischer Drosselung, dem Sperren oder Leeren von Nodes sowie Fehlern bei Jobs über mehrere Nodes hinweg • Bei Bedarf Eskalation von Problemen mit den gesammelten Nachweisen • Teilnahme an einer 24/7-Rufbereitschaft • Erstreaktion auf Alerts und von Kunden gemeldete Ausfälle, Einschätzung der Auswirkungen, Festlegung des Schweregrads und Einbindung der zuständigen Personen • Klare Statusupdates sowie eine transparente Darstellung bekannter und noch ungeklärter Punkte während Incidents für Kunden bereitstellen • Incidents dokumentieren und Erkenntnisse in Runbooks, Alerts oder Fehlerbehebungen überführen • Feststellen, ob Fehler auf Seiten des Providers, von Andromeda oder des Kunden liegen • Tickets bei Compute-Providern eröffnen und nachverfolgen • Wiederkehrende Ausfälle bei Providern erfassen und Muster an die für Sourcing-Entscheidungen zuständigen Personen melden • Python- oder Bash-Automatisierungen für manuelle Prüfungen schreiben • Monitoring für die Gesundheit von Clustern und Nodes, GPU-Telemetrie, Dashboards und aussagekräftige Alerts entwickeln und verbessern • Aktuelle Runbooks und Kundendokumentation pflegen

🎯 Anforderungen

• Fundierte praktische Erfahrung bei der Linux-Fehleranalyse über die Kommandozeile, einschließlich Logs, Prozessen, Netzwerk und Datenträgern • Gute Kenntnisse von Kubernetes, einschließlich Pods, Nodes, Deployments, Services, Scheduling und der Untersuchung von Fehlern • Fähigkeit, Python- oder Bash-Skripte zur Automatisierung wiederkehrender Aufgaben zu schreiben • Sehr gute technische Schreibfähigkeiten und die Fähigkeit, Probleme Kunden verständlich zu erklären • Gutes Urteilsvermögen unter Druck, einschließlich Priorisierung, Eskalation und Kommunikation • Bereitschaft zur Teilnahme an einer 24/7-Rufbereitschaft • Idealerweise praktische Erfahrung mit NVIDIA-GPUs in Produktionsumgebungen, einschließlich Treibern, CUDA, DCGM und dem Kubernetes Device Plugin • Idealerweise Erfahrung mit Hochleistungsnetzwerken wie InfiniBand, RoCE oder NCCL • Idealerweise Erfahrung mit HPC oder Slurm • Idealerweise vorherige technische Erfahrung im direkten Kundenkontakt, beispielsweise im Support Engineering, als TAM, im Solutions Engineering oder im Professional Services • Idealerweise Kenntnisse von Prometheus, Grafana, Datadog oder vergleichbaren Tools • Idealerweise Erfahrung mit Infrastructure as Code unter Verwendung von Terraform, Ansible oder Helm • Echtes Interesse an KI-Infrastruktur und umfangreichen Trainings-Jobs

🏖️ Vorteile

• Attraktive Beteiligung am Unternehmenserfolg • Kranken-, Zahn- und Augenversicherung für Mitarbeitende und unterhaltsberechtigte Angehörige • 401(k)-Altersvorsorge • Unbegrenzter bezahlter Urlaub • Dynamisches Wachstumsumfeld in einem Unternehmen im Zentrum des Booms rund um KI-Infrastruktur