Senior Solutions Architect für Cloud-Infrastruktur und Reliability

🔥 vor 1 Stunde

🌐 Frankreich, Vereinigtes Königreich, +2 weitere Länder – Remote

🇫🇷 Frankreich – Remote 🇬🇧 Vereinigtes Königreich – Remote 🇪🇸 Spanien – Remote 🇩🇪 Deutschland – Remote

⏰ Vollzeit

🟠 Senior

💻 Lösungsingenieur

👻 Geisterscore 11%

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

NVIDIA

WebsiteLinkedInAlle Stellen

10.000+ Mitarbeiter

Gegründet 1993

🏥 Gesundheitswesen

🏭 Fertigung

🤖 Künstliche Intelligenz

Healthcare • Manufacturing • Artificial Intelligence

NVIDIA ist ein führendes Technologieunternehmen mit Spezialisierung auf beschleunigtes Computing und Künstliche Intelligenz (AI). NVIDIA treibt Fortschritte bei Grafikprozessoren (GPUs), Cloud Computing, Rechenzentren und Virtual Reality voran und fokussiert dabei Branchen wie Gaming, Automotive, Gesundheitswesen und Robotik. Innovationen des Unternehmens wie NVIDIA Omniverse transformieren traditionelle digitale Prozesse, indem sie hochrealistische Simulationen und Rendering-Aufgaben ermöglichen. Die Anwendungen erstrecken sich über zahlreiche Branchen – von autonomen Fahrzeugen mit NVIDIA DRIVE über Gesundheitslösungen mit NVIDIA Clara bis hin zu AI-gestützten Analysen und Workflows.

Beschreibung

• Verantwortung für die Stabilität und Zuverlässigkeit von Produktionsumgebungen im laufenden Betrieb („Day 2“) über NVIDIA-Cloud-Partnerumgebungen in der gesamten EMEA-Region hinweg • Definition, Messung und Verbesserung von MTBI und Job-Goodput auf Clustern mit mehreren Tausend GPUs sowie Verantwortung für die Error Budgets der Plattform • Aufbau und Betrieb automatisierter Workflows zur Fehlererkennung und -behebung bei Ausfällen von GPUs, Nodes, Fabric und Storage • Automatisierung von Triage-, Node-Drain-, Cordon-, Reset- und Return-to-Service-Workflows • Durchführung präventiver Wartungen sowie proaktiver Kampagnen für Firmware- und Field-Notice-Rollouts, einschließlich Risikobewertung, stufenweiser Einführung, Planung von Wartungsfenstern und Verifizierung • Verantwortung für Observability- und Reliability-Tools für GPU-Flotten sowie Integration von Prometheus, Grafana, Loki, DCGM, XID-Diagnose, GPUd und NVSentinel in die Technologie-Stacks der Partner • Leitung der Incident Response und von Post-Incident-Reviews gemeinsam mit NVEX, TAMs und den Betriebsteams der Partner • Durchführung von Root-Cause-Analysen, Nachverfolgung von Korrekturmaßnahmen bis zum Abschluss sowie Überführung wiederkehrender Incidents in Automatisierungen, Health Checks oder Runbooks • Verantwortung für den Kubernetes-Node-Lifecycle und Reliability Engineering in Umgebungen mit Upstream-Kubernetes, KubeVirt, Slurm und GPU-bewussten Schedulern • Verantwortung für Node-Health-Richtlinien, die Orchestrierung von Upgrades und Neustarts sowie das sichere Draining von Workloads auf GPU-beschleunigten Nodes

🎯 Anforderungen

• Bachelor-, Master- oder Promotionsabschluss in Informatik, Elektro- oder Computertechnik, Physik, Mathematik oder einem verwandten Fachgebiet bzw. eine gleichwertige Qualifikation durch Berufserfahrung • Mindestens 8 Jahre Berufserfahrung in SRE, Production Engineering oder im Betrieb groß angelegter Infrastrukturen • Nachweisbare Verantwortung für die Zuverlässigkeit von Produktionsumgebungen im großen Maßstab, einschließlich der Definition von SLOs und Error Budgets, Rufbereitschaft und Incident Command, blameless Post-Incident-Reviews sowie messbarer Verbesserungen der Verfügbarkeit oder der mittleren Zeit zwischen Unterbrechungen • Praktische Erfahrung im Betrieb von HPC-/KI-Clustern und NVIDIA-GPU-beschleunigten Infrastrukturen, einschließlich des Lebenszyklus von Treibern und CUDA-Toolkits, Firmware-Management, Workload-Profiling sowie Fehleranalyse über CPUs, GPUs und Hochgeschwindigkeitsverbindungen hinweg • Umfassende Erfahrung mit dem Betrieb von Kubernetes in GPU-beschleunigten und HPC-Umgebungen, einschließlich Node-Lifecycle, Upgrades und Draining, Scheduler-Verhalten, Slurm sowie gemischten mandantenfähigen Umgebungen auf Bare Metal und in virtualisierten Infrastrukturen • Sehr gute Kenntnisse in Python und Bash, Infrastructure as Code und Configuration Management, beispielsweise Ansible und Terraform, GitOps-basiertem Flotten-Lifecycle- und Upgrade-Management sowie Prometheus, Grafana und Loki • Fundierte Kenntnisse in Linux, einschließlich Red Hat und Ubuntu, Tuning und Absicherung auf Betriebssystemebene, Grundlagen der Rechenzentrumsvernetzung sowie parallelem und Enterprise-Storage, einschließlich Lustre, GPFS, ZFS und XFS • Erfahrung in der Definition und Durchführung proaktiver Kampagnen für Firmware-, Microcode- oder Field-Notice-Rollouts über große Produktionsflotten hinweg • Vertrautheit mit DCGM, XID-Diagnose, GPUd, NVSentinel, Health Agents auf Node-Ebene und flottenweiten Reliability-Informationen • Erfahrung mit NVIDIA GPU Operator, NVIDIA Network Operator und NVIDIA Base Command Manager • Praktische Erfahrung mit AI-nativem Scheduling und Inference-Frameworks auf Kubernetes, beispielsweise KAI, Grove, Dynamo und NVIDIA Cloud Functions • Expertise in RDMA-basierten Fabrics wie InfiniBand oder RoCE; Kenntnisse in Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA sowie im Betrieb von NVLink-/NVSwitch-Partitionen sind von Vorteil