Ingeniero/a de Fiabilidad de Clientes

• Capacidad real de resolución de problemas de Linux desde la línea de comandos. Puedes resolver un problema a través de logs, procesos, redes y disco sin un script que seguir

• Conocimiento práctico de Kubernetes: pods, nodes, deployments, services, scheduling, y cómo investigar cuando uno de ellos falla

• Capacidad para escribir un script en Python o Bash para automatizar algo repetitivo

• Gran capacidad de redacción. Puedes explicar un problema técnico a un cliente frustrado de forma clara y sin condescendencia

• Buen juicio bajo presión. Sabes qué comprobar primero, cuándo escalar y cómo mantener informada a la gente mientras sigues trabajando en ello

• Disposición para unirse a una rotación de guardia 24/7

• Experiencia práctica con GPUs NVIDIA en producción: drivers, CUDA, DCGM, el Kubernetes device plugin

• Experiencia con redes de alto rendimiento (InfiniBand, RoCE) o NCCL

• Experiencia con HPC o planificadores de lotes (batch schedulers) como Slurm

• Un rol técnico previo de cara al cliente: ingeniería de soporte, TAM, soluciones, servicios profesionales

• Conocimiento de Prometheus, Grafana, Datadog o similares

• IAC: Terraform, Ansible o Helm

• Interés genuino en la infraestructura de IA y en cómo se comportan los grandes trabajos de entrenamiento

• Entorno de alto crecimiento: Únete pronto a una empresa en el centro del auge de la infraestructura de IA

• Compensación competitiva: + capital (equity) significativo

• Beneficios integrales: para ti y tus dependientes, incluyendo cobertura médica, dental y visual, 401(k) y PTO (tiempo libre pagado) ilimitado

Ubicación: Remoto/SF-Híbrido · Jornada completa

Nuestros clientes ejecutan grandes cargas de trabajo de entrenamiento e inferencia de IA en clústeres de GPU que obtenemos de proveedores de todo el mundo. Cuando un nodo se apaga o un trabajo muere tras ocho horas de ejecución, el Customer Reliability Engineer es la persona con la que se ponen en contacto y quien lo soluciona.

El puesto tiene tres partes. Realizas el triaje de los problemas entrantes y los depuras en la capa de Linux y Kubernetes. Trabajas por el lado del proveedor para averiguar de quién es realmente la culpa y presionas a los proveedores externos para que lo solucionen. Y construyes el monitoreo y los scripts que detectan los problemas antes de que un cliente tenga que avisarnos.

Debes sentirte cómodo en una shell de Linux y saber cómo funciona Kubernetes. No necesitas experiencia en GPU o HPC. La mayoría de la gente la adquiere aquí.

• Responsabilidad de los problemas de principio a fin: reproducir, diagnosticar, solucionar o escalar, y cerrar el ciclo

• Depuración en la capa de Linux: procesos, redes, almacenamiento, logs del kernel, contención de recursos, systemd, journald

• Indagar en problemas de Kubernetes como pods bloqueados en estado pending o en crash-loop, condiciones de los nodos, fallos de programación (scheduling), límites de recursos

• Gestionar fallos de GPU: problemas de drivers y device-plugin, errores XID, estrangulamiento térmico (thermal throttling), nodos que necesitan cordoning o draining, trabajos fallando en múltiples nodos

• Escalar cuando hayas llegado a tu límite, aportando ya la evidencia recopilada

• Participar en una rotación de guardia (on-call) 24/7

• Primera respuesta ante alertas e interrupciones reportadas por clientes: evaluar el impacto, establecer la severidad, involucrar a las personas adecuadas

• Mantener a los clientes informados durante los incidentes. Estado claro, honestidad sobre lo desconocido, nada de silencios

• Redactar lo ocurrido y convertirlo en un runbook, una alerta o una solución para que la próxima vez cueste menos

• Determinar si un fallo es del lado del proveedor, nuestro o del cliente antes de derivarlo a cualquier parte

• Abrir tickets con los proveedores de computación y hacerles seguimiento en lugar de esperar

• Rastrear fallos recurrentes de proveedores y señalar los patrones a las personas que toman las decisiones de suministro

• Escribir Python o Bash para automatizar las comprobaciones que de otro modo harías a mano

• Construir y mejorar el monitoreo: comprobaciones de salud de clústeres y nodos, telemetría de GPU, dashboards, alertas que se activen ante problemas reales

• Mantener actualizados los runbooks y la documentación para clientes a medida que avanzas