Senior Incident Manager

Emploi pas sur LinkedIn

🕒 il y a 7 jours

🏄 California – Distant

🏄 California – Remote

💵 $125 000 - $195 000 / an

⏰ Temps Plein

🟠 Senior

👔 Manager

🦅 Parrain de Visa H1B

Cette entreprise a parrainé des visas H1B par le passé.

Postuler Maintenant

Trouver des Emplois à Distance Similaires

Recevoir des emails pour des emplois à distance

📊 Vérifiez votre score de CV pour ce poste

Améliorez vos chances d'obtenir un entretien en vérifiant votre score de CV avant de postuler.

Télécharger le CV

Lambda

Site WebLinkedInTous les Emplois

51 - 200 employés

🤖 Intelligence artificielle

☁️ SaaS

🔧 Matériel

💰 €39 700 000 Venture Round en 2022-11

Artificial Intelligence • SaaS • Hardware

Lambda est une entreprise d'informatique en nuage qui fournit des instances GPU à la demande et des clusters adaptés pour l'entraînement et l'inférence en IA. Elle propose une variété de produits GPU, tels que des instances GPU en nuage à la demande facturées à la minute, des clusters GPU privés à grande échelle et des serveurs PCIe avec des GPU NVIDIA Tensor Core personnalisables. Lambda est connue pour son cloud dédié aux développeurs IA, permettant aux développeurs d'IA de lancer des instances GPU en mettant l'accent sur le matériel le plus récent de NVIDIA. L'entreprise propose également des produits de station de travail configurés avec des GPU NVIDIA conçus pour l'apprentissage profond et d'autres applications d'IA.

Description

• 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.

🎯 Exigences

• 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

🏖️ Avantages

• 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