Ingeniero Sénior, NCX

• Grado, Máster o Doctorado en Ciencias de la Computación, Ingeniería Informática/Eléctrica o un campo técnico relacionado, o experiencia equivalente.

• Más de 8 años de experiencia en ingeniería de infraestructura, Ingeniería de Fiabilidad de Sitios (SRE), DevOps, ingeniería de plataformas en la nube, ingeniería de sistemas o funciones similares que den soporte a entornos de producción a gran escala.

• Sólida experiencia operando sistemas distribuidos basados en Linux e infraestructura en la nube en producción.

• Profundo conocimiento de Kubernetes, contenedores, planificación de clústeres y el ciclo de vida operativo de entornos multi-nodo de gran tamaño.

• Sólido conocimiento de la observabilidad en producción, incluyendo métricas, registro de logs, alertas, cuadros de mando, controles de salud y operaciones guiadas por acuerdos de nivel de servicio (SLAs).

• Experiencia en la creación de automatización para la gestión del ciclo de vida de la infraestructura, detección de fallos, remediación, actualizaciones y gestión de la configuración.

• Sólidos fundamentos de redes y experiencia en la resolución de problemas en sistemas distribuidos complejos a través de las capas de computación, red y almacenamiento.

• Experiencia en programación y automatización utilizando Python, Go, scripting de shell o lenguajes similares.

• Experiencia gestionando infraestructuras extensas de GPU o de computación acelerada que soporten cargas de trabajo de entrenamiento e inferencia de IA.

• Experiencia con tecnologías de NVIDIA, incluyendo sistemas DGX/HGX, CUDA, NVLink/NVSwitch, redes NVIDIA, InfiniBand, RoCE, GPU Operator, Network Operator o software de infraestructura de NVIDIA relacionado.

• Experiencia demostrada colaborando con "NVIDIA Cloud Partners", proveedores de nube a hiperescala, nubes de IA gestionadas o infraestructuras extensas de proveedores de servicios, y gestionando SLO operativos para infraestructuras de computación a gran escala, utilizando datos operativos para mejorar la disponibilidad, el rendimiento y la eficiencia de la flota.

• Conocimiento exhaustivo de herramientas de observabilidad de infraestructura, incluyendo Prometheus, Grafana, OpenTelemetry, Alertmanager, así como de pipelines de telemetría escalables, y la capacidad de traducir arquitecturas de referencia o requisitos de infraestructura en modelos operativos de producción repetibles en múltiples entornos de clientes o socios.

• Conocimiento de los modos de fallo relacionados con grandes cargas de trabajo de IA distribuidas y las características de infraestructura necesarias para soportar de forma consistente entrenamientos prolongados e inferencia en producción.

Tu salario base se determinará en función de tu ubicación, experiencia y la remuneración de empleados en puestos similares. Para Polonia: el rango de salario base es de 292.500 PLN - 507.000 PLN para el Nivel 4, y de 375.000 PLN - 650.000 PLN para el Nivel 5.

NVIDIA está contratando a un "NCX Senior Engineer" apasionado por las operaciones de infraestructura de "NVIDIA Cloud Partner" (NCP) para unirse a nuestro equipo de DSX. Este puesto implica trabajar estrechamente con socios estratégicos de "NVIDIA Cloud Partner" para construir y mejorar las capacidades operativas esenciales para ejecutar de forma fiable infraestructuras aceleradas por NVIDIA a gran escala en entornos de producción.

Tu función consiste en guiar a los socios más allá de la fase inicial de despliegue y validación de clústeres hacia operaciones avanzadas de "Day 2". Estas operaciones cubren la salud continua de la infraestructura, la observabilidad, la gestión del ciclo de vida, la remediación rápida, la validación del rendimiento y la preparación operativa. Colaborarás directamente con los equipos de ingeniería y operaciones de los socios para desarrollar enfoques consistentes que den soporte a las cargas de trabajo de NVIDIA y a los entornos de clientes externos más amplios de los socios. Este es un puesto altamente técnico y práctico en la intersección de la computación acelerada de NVIDIA, la infraestructura en la nube, los sistemas distribuidos y las operaciones de producción.

• Liderar los esfuerzos de preparación operativa de "NCP Day 2". Colaborar directamente con los "NVIDIA Cloud Partners" para configurar los sistemas, procedimientos, automatización y métodos operativos necesarios para gestionar de forma consistente la infraestructura acelerada por NVIDIA tras su despliegue y activación inicial.

• Construir una validación continua de la infraestructura. Desarrollar e implementar métodos para validar continuamente la salud de la GPU, CPU, el almacenamiento y la red. Hacerlo en clústeres de IA a gran escala para identificar infraestructuras degradadas antes de que afecten a cargas de trabajo críticas de entrenamiento o inferencia.

• Establecer la observabilidad y la telemetría operativa. Ayudar a los NCP a implementar telemetría integral, monitorización, alertas, cuadros de mando y señales operativas en computación, GPU, redes InfiniBand/RoCE, almacenamiento, Kubernetes y cargas de trabajo de IA.

• Desarrollar la detección y remediación automatizadas. Crear flujos de trabajo para detectar, aislar, vaciar, reparar, validar y devolver al servicio la infraestructura que no esté en condiciones óptimas, minimizando la interrupción de las cargas de trabajo de los clientes.

• Perfeccionar la administración del ciclo de vida de la flota. Implementar estrategias escalables para gestionar flotas de GPU de gran tamaño, incluyendo la administración del ciclo de vida de controladores y firmware de NVIDIA, el mantenimiento de nodos de Kubernetes, el parcheado de sistemas operativos, la gestión de la configuración, las actualizaciones y la identificación de desviaciones de configuración.

• Operativizar las arquitecturas de referencia de NVIDIA. Traducir los requisitos y las arquitecturas de referencia de NVIDIA NCP en prácticas operativas de producción, criterios de validación, manuales de ejecución ("runbooks"), automatización y estándares operativos medibles.

• Definir la salud operativa y la preparación. Desarrollar señales de salud, SLO, métricas importantes, criterios de aceptación y mecanismos de validación continua que proporcionen a NVIDIA y a los NCP una visión clara de la fiabilidad de la infraestructura y la preparación del servicio.

• Construir marcos operativos reutilizables. Desarrollar herramientas, automatización, guías de implementación, manuales de ejecución, manuales de procedimientos operativos e implementaciones de referencia que puedan aplicarse de forma consistente en múltiples entornos de NCP.