Ingeniero DevOps Sénior

• La certificación de AWS es obligatoria. Se prefiere encarecidamente contar con una certificación actual de AWS Certified DevOps Engineer – Professional o AWS Certified Solutions Architect – Professional.
• Más de 10 años en Site Reliability Engineering u operaciones de producción a escala. No esperamos el dominio de todas las áreas mencionadas desde el primer día. Esperamos una profundidad real en varias de ellas y la capacidad de aprender rápidamente el resto.
• Práctica demostrada de SLO/presupuesto de error. Haber definido SLIs y SLOs, haber trabajado con un presupuesto de error y haberlo utilizado para tomar decisiones reales.
• Sólidas habilidades de observabilidad en producción. Conocimiento profundo de métricas, logs, alarmas y dashboards (CloudWatch, OpenTelemetry y/o Prometheus/Grafana/Datadog), y capacidad para construir la instrumentación cuando no existe.
• Experiencia probada en el mando de incidentes. Haber liderado incidentes, haber sido responsable de una rotación de guardia y haber escrito postmortems que cambiaron el comportamiento de un sistema.
• Experiencia en planificación de capacidad y rendimiento en cómputo, bases de datos y un sistema de mensajería o streaming (idealmente Kafka/MSK).
• Responsabilidad en la recuperación ante desastres: copias de seguridad, replicación, conmutación por error y RPO/RTO probados.
• Capacidad de ingeniería de software para la automatización. Comodidad escribiendo Python, Golang y Bash para construir herramientas de fiabilidad, no solo para configurar herramientas comerciales.
• Experto en Terraform (o IaC equivalente) y sólida administración de Linux (shell más utilidades GNU de Linux), con comodidad desde la nube hasta bare-metal/edge.
• Experiencia en operaciones de bases de datos con PostgreSQL (series temporales es un plus).
• Una mentalidad de fiabilidad: instrumentas antes de suponer, y escribes el manual de procedimientos (runbook).

Deseable

• Gestión de cargas de trabajo de GPU y servicio de modelos de visión artificial o ML en producción (CUDA, Deep Learning AMIs, escalado de inferencia).
• Operaciones de Apache MSK / Kafka y datos en streaming (Kinesis, Kinesis Video Streams).
• AWS IoT Core a escala: aprovisionamiento de dispositivos, certificados, túneles seguros.
• Gestión de una flota de dispositivos edge / on-premise (imágenes maestras, actualización remota, systemd).
• Operación y modernización de sistemas heredados (Java 8, Jetty, CentOS).
• Práctica de chaos engineering / game-day y modelado de capacidad.
• Familiaridad con Bazel en un monorepo; Cloudflare, Cognito/Auth0, API Gateway.

Sobre el puesto:

Gestionamos una plataforma distribuida de monitorización de vídeo basada en cámaras y alertas de IA. El sistema abarca todo el espectro de la infraestructura moderna y heredada: una flota de microservicios y workers en Java alojada en AWS, un pipeline de inferencia de visión artificial respaldado por GPU, una capa de streaming y presencia en tiempo real, y miles de "media boxes" edge on-premise desplegadas sobre el terreno que ingieren feeds de cámaras, sirven vídeo HLS y transmiten eventos de vuelta a la nube.

Este es un puesto donde la fiabilidad es lo primero. Tu función principal es mantener saludable a gran escala un entorno operativo mixto y de gran tamaño: objetivos de servicio significativos, alertas fiables, capacidad sólida, recuperación ante desastres probada y una respuesta ante incidentes rápida y calmada. Los pipelines de entrega son importantes, pero aquí existen al servicio de la fiabilidad, y no al revés. No estamos contratando a un ingeniero DevOps de "pipelines y autoservicio" que trate las operaciones como algo secundario. Estamos contratando a un Senior DevOps Engineer que se haga responsable del tiempo de actividad y de la calidad operativa, y que sea capaz de escribir el software para que ese tiempo de actividad sea medible y automático.

Si piensas en SLOs, presupuestos de error (error budgets) y postmortems sin culpabilidad, y eres más feliz cuando un sistema ruidoso y frágil se vuelve silencioso y predecible bajo tu supervisión, este es tu rol.

Lo que mantendrás fiable: Serás el responsable de la salud operativa de todo lo siguiente:

• Modelos de visión artificial / IA: servicios de inferencia basados en fotogramas que se ejecutan en GPU EC2 (clase g4dn, AWS Deep Learning AMIs), alimentados por fotogramas de cámara desde S3 y un bus de eventos Kafka (Amazon MSK), con Redis (ElastiCache) para el estado. Los resultados fluyen a través de un pipeline de alertas (OutgoingInferenceMessage a SNS/IoT hacia los workers de notificación).
• Servicios Python: la capa de inferencia de IA/alertas y las herramientas de soporte.
• Servicios Java heredados: aproximadamente 140 servicios y librerías Java 8 (APIs REST, workers SQS/SNS, funciones Lambda) que se ejecutan en Jetty 9.4, desplegados en Elastic Beanstalk, ECS y Lambda.
• Dispositivos Edge ("media boxes"): dispositivos Ubuntu 22.04 / Docker Compose gestionados remotamente mediante túneles seguros de AWS IoT Core, con túneles de Cloudflare para la salida de datos. Incluye un esfuerzo activo de migración de CentOS 7 a un stack contenedorizado.
• Estructura de datos y mensajería: PostgreSQL (RDS) en múltiples esquemas, TimescaleDB para analítica, Redis, DynamoDB, Amazon MSK (Kafka), SQS/SNS y Kinesis.

Lo que harás: Fiabilidad y operaciones (el núcleo del rol)

• Responsabilidad de los objetivos de servicio. Definir SLIs y SLOs para los servicios que importan, gestionar los presupuestos de error y utilizarlos para impulsar la priorización y las decisiones sobre la tasa de cambios. Convertir la fiabilidad en un número medido, no en una sensación.
• Hacer que la observabilidad sea fiable. Ser responsable de la calidad de las alertas de extremo a extremo: una alta relación señal-ruido, alarmas que detecten de forma fiable los incidentes que deben detectar, y la disciplina para desactivar una alarma engañosa hasta que se solucione correctamente. Construir los dashboards y las métricas personalizadas, exporters e instrumentación (CloudWatch, OpenTelemetry) necesarias para ver el sistema con claridad.
• Liderar la respuesta a incidentes. Gestionar los incidentes con calma, reducir el tiempo medio de recuperación (MTTR) y producir postmortems sin culpabilidad con acciones concretas que realmente se ejecuten. Mejorar y hacerse responsable de la rotación de guardia (on-call) y de su salud.
• Planificar la capacidad y el rendimiento. Prever y dimensionar correctamente el cómputo (especialmente GPU), el rendimiento y la partición de Kafka/MSK, la carga de RDS/TimescaleDB y Redis. Detectar la saturación antes que los clientes.
• Responsabilidad de la continuidad del negocio y la recuperación ante desastres. Copias de seguridad, replicación, conmutación por error (failover) y recuperación para RDS, MSK, Redis y la flota edge. Definir RPO/RTO y demostrarlos con "game days" regulares y probados, no con suposiciones.
• Mantener saludable la flota edge. Diagnóstico y recuperación remotos a través de AWS IoT, actualización automática de contenedores mediante timers de systemd, y la migración continua de CentOS 7 al stack de medios basado en contenedores (Ubuntu 22.04).
• Eliminar el trabajo repetitivo (toil) mediante ingeniería. Escribir software real (Python, Golang, Bash) para automatizar el trabajo operativo, permitir la autorreparación de fallos comunes y hacer que la fiabilidad sea repetible en lugar de heroica.
• Gobernar los cambios en producción de forma segura. Aplicar una gestión de cambios colaborativa y revisada; proteger el sistema de cambios unilaterales y arriesgados (topología, número de instancias, escalado y configuración).

Entrega y plataforma (en apoyo a la fiabilidad)

• Mantener un CI/CD saludable y seguro: CircleCI con builds de Bazel/Gradle, autenticación AWS basada en OIDC, builds de contenedores a ECR y despliegues en EB/ECS/Lambda, ajustados para que los lanzamientos sean seguros, observables y reversibles.
• Mantener Terraform para el entorno de AWS (cómputo, redes, IAM, bases de datos, mensajería, monitorización), siguiendo nuestras convenciones basadas en módulos y el estado respaldado en S3.
• Reforzar la seguridad y el cumplimiento: principio de mínimo privilegio en IAM, Secrets Manager/KMS, gestión de TLS y certificados (incluidos los certificados de dispositivos IoT), CloudTrail y AWS Config.

Estos principios reflejan lecciones que nos tomamos en serio. El candidato adecuado ya opera de esta manera:

• La observabilidad debe ser fiable. Las alarmas que dan falsas alarmas son peores que no tener alarmas. Eres responsable de la calidad de las alertas de extremo a extremo: una alta relación señal-ruido, alarmas que detecten de forma fiable los incidentes que deben detectar, y el criterio para desactivar una alarma engañosa hasta que se solucione correctamente en lugar de dejar una alarma ruidosa activa. Hemos sentido el coste de una monitorización poco fiable y queremos a alguien que cierre esa brecha y la mantenga cerrada.
• La gestión de cambios es colaborativa, nunca unilateral. Cualquier cambio de infraestructura que afecte a un servicio se realiza junto con el ingeniero que posee y comprende ese servicio. Los cambios de escalado, número de instancias, topología y configuración se revisan con ese responsable antes de implementarlos. Las suposiciones de instancia única frente a instancias múltiples, en particular, nunca se cambian por una corazonada.
• Resolución frente a actividad. Medimos resultados, no esfuerzo ni horas. Cuando se pide algo, esperamos que se impulse hasta una resolución correcta y duradera en un plazo razonable, no que se deje a medio resolver durante meses. Encuentra lo que realmente se necesita, concéntrate en ello y termínalo.
• Preferimos la solución correcta a un parche rápido. Resuelve la causa raíz. No la tapes y sigas adelante.