Senior Incident Manager

Stelle nicht auf LinkedIn

🕒 vor 2 Monaten

🏄 California – Remote

🏄 California – Remote

💵 $125.000 - $195.000 / Jahr

⏰ Vollzeit

🟠 Senior

👔 Manager

🦅 H1B-Visum-Sponsor

Dieses Unternehmen hat in der Vergangenheit H1B-Visa gesponsert.

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

Lambda

WebsiteLinkedInAlle Stellen

51 - 200 Mitarbeiter

💼 Beratung

🏥 Gesundheitswesen

📦 Logistik

💰 €39.700.000 Venture Round im 2022-11

Consulting • Healthcare • Logistics

Lambda ist ein Cloud-Computing-Unternehmen, das bedarfsgerechte GPU-Instanzen und -Cluster für das Training und die Inferenz von KI bereitstellt. Es bietet eine Vielzahl von GPU-Produkten an, darunter bedarfsgerechte Cloud-GPU-Instanzen, die minutenweise abgerechnet werden, private großskalige GPU-Cluster und PCIe-Server mit anpassbaren NVIDIA Tensor Core GPUs. Lambda ist bekannt für seine AI-Entwickler-Cloud, die es KI-Entwicklern ermöglicht, GPU-Instanzen mit einem Fokus auf die neueste Hardware von NVIDIA zu nutzen. Das Unternehmen bietet zudem Workstation-Produkte an, die mit NVIDIA GPUs für Deep Learning und andere KI-Anwendungen konfiguriert sind.

Beschreibung

• Lead the response to critical (SEV-1 / SEV-2) incidents impacting AI infrastructure, GPU clusters, networking, storage, and data center operations. • Serve as the Incident Commander during major outages, coordinating engineering, networking, facilities, and vendor teams. • Act as the liaison between leadership and external teams during incidents/post-incidents to provide updates and status summaries. • Own the incident response lifecycle including: • - Assisting Technical Triage • - Escalation • - Coordination • - Resolution • Ensure timely and accurate communication with internal stakeholders and leadership. • Maintain incident response documentation and operational playbooks. • Conduct analysis on incidents and identify patterns/trends for improvement in response and systems reliability. • Work in an On-Call Rotation to respond to, lead, and coordinate incidents • Drive alignment during outages involving multiple infrastructure layers. • Lead post-incident reviews (PIRs) and root cause analysis. Identify systemic reliability gaps and implement corrective actions.

🎯 Anforderungen

• 8+ years experience in incident management, site reliability engineering, or infrastructure operations • Experience managing incidents in large-scale distributed infrastructure environments • Strong understanding of: • - Data center operations • - GPU compute clusters • - Networking and storage infrastructure • - Cloud or hybrid infrastructure platforms • Proven ability to lead high-pressure incident response situations • Experience with incident management frameworks (ITIL, SRE, or equivalent) • Excellent communication and stakeholder management skills • Experience with incident tracking and monitoring tools such as: • - PagerDuty • - ServiceNow • - Jira • - Datadog • - Prometheus / Grafana

🏖️ Vorteile

• Health, dental, and vision coverage for you and your dependents • Wellness and commuter stipends for select roles • 401k Plan with 2% company match (USA employees) • Flexible paid time off plan that we all actually use