Site Reliability Engineer

🕒 vor 1 Monat

🏄 California – Remote

🏄 California – Remote

💵 $150.000 - $200.000 / Jahr

⏰ Vollzeit

🟡 Mittelstufe

🟠 Senior

⛑ DevOps- und Site Reliability Engineer (SRE)

👻 Geisterscore 16%

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

Runpod

WebsiteLinkedInAlle Stellen

51 - 200 Mitarbeiter

Gegründet 2022

🤖 Künstliche Intelligenz

☁️ SaaS

🤝 B2B

💰 €20.000.000 Seed im 2024-06

Artificial Intelligence • SaaS • B2B

Runpod ist eine Cloud-Plattform, die bedarfsgerechte GPU-Rechenleistung und verwaltete Infrastruktur bietet, die speziell für die Entwicklung und Bereitstellung von KI optimiert sind. Sie bietet GPU-"Pods" in 31 globalen Regionen, serverlose GPU-Endpunkte für latenzarme Inferenz, Multi-Node-GPU-Cluster für verteiltes Training und ein Hub zur Bereitstellung von Open-Source-Modellen und -Vorlagen. Runpod legt Wert auf schnellen Start (unter 200 ms Cold Starts), automatisches Skalieren von null auf tausende Arbeiter, Unterstützung für über 30 GPU-SKUs und Werkzeuge für den kompletten KI-Lebenszyklus von Experimenten bis hin zur Produktion, wobei sie Entwickler und KI-Teams in Unternehmen fokussiert.

Beschreibung

• Define and implement SLIs/SLOs for critical services • Lead incident response and coordinate cross-team mitigation efforts • Conduct blameless postmortems and ensure corrective actions are completed • Perform production readiness reviews for new services and features • Identify systemic risks and drive preventative improvements • Design and improve monitoring, alerting, and dashboards (Prometheus, Grafana, etc.) • Build internal tooling for reliability tracking and reporting • Automate recurring operational workflows • Strengthen CI/CD reliability and release processes • Partner with engineering teams to improve system resilience • Provide guidance on fault tolerance, scalability, and failure handling. • Contribute to architectural discussions with a reliability-first mindset.

🎯 Anforderungen

• 5+ years of experience in SRE, Reliability Engineering, or Production Engineering • Strong Linux systems and Networking expertise • Experience managing containerized production systems • Strong understanding of distributed systems and failure modes • Experience defining and managing SLIs/SLOs • Proven incident response and postmortem leadership experience • Strong scripting or programming skills • Experience with monitoring and alerting systems • Excellent written communication skills • Successful completion of a background check. • Preferred: Experience with GPU infrastructure or AI/ML platforms • Experience improving reliability in high-growth or large scale environments • Familiarity with GPU observability tooling • Experience with Infrastructure as Code • Experience working in startup environments • Experience building internal reliability platforms or frameworks.

🏖️ Vorteile

• Meaningful equity in a fast-growing company- everyone on the team receives stock options — your impact drives our growth, and you share in the upside. • Generous medical, dental & vision plans • Flexible PTO- take the time you need to recharge • Most roles are remote work first with an inclusive, collaborative teams utilizing slack as the main form of internal communication • Join a passionate team on the cutting edge of AI infrastructure — where culture, learning, and ownership are at the heart of how we scale.