Architecte solutions senior – infrastructure cloud et fiabilité

🔥 il y a 32 minutes

🌐 France, Royaume-Uni, +2 autres pays – Distant

🇫🇷 France – Télétravail 🇬🇧 Royaume-Uni – Télétravail 🇪🇸 Espagne – Télétravail 🇩🇪 Allemagne – Télétravail

⏰ Temps Plein

🟠 Senior

💻 Ingénieur Solutions

👻 Score fantôme 11%

Ce que ça veut dire : la probabilité que cette offre reste ouverte sans recrutement actif.Comment le lire : 60 % ou plus, on pense que c'est une offre fantôme. Un score plus bas est moins inquiétant.Comment on la calcule : ancienneté, republications, postes ouverts vs taille de l'équipe, rapidité de clôture, et si le salaire est indiqué.À noter : une estimation à partir de données publiques, pas un jugement sur l'entreprise. De vraies offres peuvent avoir un score élevé, alors prenez-le comme un indice, pas comme un fait.

Postuler Maintenant

Trouver des Emplois à Distance Similaires

Configurer une alerte email pour les nouveaux emplois

📊 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

NVIDIA

Site WebLinkedInTous les Emplois

10 000+ employés

Fondée en 1993

🏥 Santé

🏭 Fabrication

🤖 Intelligence artificielle

Healthcare • Manufacturing • Artificial Intelligence

NVIDIA est une entreprise technologique de premier plan, spécialisée dans le calcul accéléré et l’intelligence artificielle (IA). NVIDIA est à l’avant‑garde des avancées en GPU (processeurs graphiques), cloud computing, centres de données et réalité virtuelle, avec un accent particulier sur les secteurs du gaming, de l’automobile, de la santé et de la robotique. Ses innovations, telles que NVIDIA Omniverse, transforment les processus numériques traditionnels en permettant des simulations haute fidélité et des tâches de rendu de pointe. Ses applications couvrent de nombreux secteurs, des véhicules autonomes avec NVIDIA DRIVE aux solutions de santé avec NVIDIA Clara, ainsi que des analyses et workflows pilotés par l’IA.

Description

• Assurer la stabilité et la fiabilité de la production en phase d’exploitation (Day 2), à l’échelle du parc, pour les environnements NVIDIA Cloud Partner dans la région EMEA • Définir, mesurer et améliorer le MTBI et le goodput des jobs sur des clusters de plusieurs milliers de GPU, et gérer les budgets d’erreur de la plateforme • Concevoir et exploiter des workflows automatisés de détection des pannes jusqu’à leur remédiation pour les défaillances de GPU, de nœuds, de fabric et de stockage • Automatiser les workflows de diagnostic, de mise en maintenance, de cordon, de réinitialisation et de remise en service des nœuds • Piloter la maintenance préventive ainsi que les campagnes proactives de déploiement des firmwares et des avis techniques, notamment l’évaluation des risques, le déploiement par étapes, la planification des fenêtres de maintenance et la vérification • Être responsable des outils d’observabilité et de fiabilité des parcs de GPU, en intégrant Prometheus, Grafana, Loki, DCGM, les diagnostics XID, GPUd et NVSentinel aux stacks des partenaires • Diriger la réponse aux incidents et les revues post-incident avec NVEX, les TAM et les équipes d’exploitation des partenaires • Piloter l’analyse des causes racines, assurer le suivi des actions correctives jusqu’à leur clôture et transformer les incidents récurrents en automatisations, contrôles d’intégrité ou runbooks • Être responsable du cycle de vie des nœuds Kubernetes et de l’ingénierie de la fiabilité sur Kubernetes upstream, KubeVirt, Slurm et les ordonnanceurs compatibles avec les GPU • Couvrir les politiques d’intégrité des nœuds, l’orchestration des mises à niveau et des redémarrages, ainsi que l’évacuation sécurisée des workloads sur les nœuds accélérés par GPU

🎯 Exigences

• Diplôme de niveau Bac+3 à Bac+5 ou doctorat en informatique, génie électrique ou informatique, physique, mathématiques ou domaine connexe, ou expérience équivalente • Au moins 8 ans d’expérience en SRE, en ingénierie de production ou dans l’exploitation d’infrastructures à grande échelle • Expérience avérée de la responsabilité de la fiabilité de la production à grande échelle, notamment définition des SLO et des budgets d’erreur, astreintes et gestion des incidents, revues post-incident sans recherche de responsabilité individuelle, ainsi qu’amélioration mesurable de la disponibilité ou du délai moyen entre interruptions • Expérience pratique de l’exploitation de clusters HPC/IA et d’infrastructures accélérées par des GPU NVIDIA, notamment gestion du cycle de vie des drivers et de la boîte à outils CUDA, gestion des firmwares, profilage des workloads et dépannage des CPU, GPU et interconnexions haut débit • Expertise approfondie de l’exploitation de Kubernetes dans des environnements accélérés par GPU et HPC, notamment cycle de vie, mises à niveau et évacuation des nœuds, comportement de l’ordonnanceur, Slurm et environnements mutualisés mixtes bare metal/virtualisés • Maîtrise de Python et Bash, de l’Infrastructure-as-Code et de la gestion de configuration avec des outils tels qu’Ansible et Terraform, de la gestion du cycle de vie et des mises à niveau de parcs fondée sur GitOps, ainsi que de Prometheus, Grafana et Loki • Solide connaissance de Linux, notamment Red Hat et Ubuntu, du tuning et de la sécurité au niveau du système d’exploitation, des fondamentaux des réseaux de data centers et du stockage parallèle ou d’entreprise, notamment Lustre, GPFS, ZFS et XFS • Expérience dans la définition et le pilotage de campagnes proactives de déploiement de firmwares, microcodes ou avis techniques sur un vaste parc de production • Familiarité avec DCGM, les diagnostics XID, GPUd, NVSentinel, les agents d’intégrité au niveau des nœuds et les outils d’analyse de la fiabilité à l’échelle du parc • Expérience de NVIDIA GPU Operator, NVIDIA Network Operator et NVIDIA Base Command Manager • Expérience pratique des ordonnanceurs et frameworks d’inférence natifs de l’IA sur Kubernetes, tels que KAI, Grove, Dynamo et NVIDIA Cloud Functions • Expertise des fabrics fondées sur RDMA, telles qu’InfiniBand ou RoCE ; une connaissance de Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA et des opérations de partitionnement NVLink/NVSwitch serait un plus