Infrastructure Operations Engineer (GPU Computing) - Enterprise AI

Description de l'entreprise :

Aethir est une entreprise technologique pionnière à la pointe de l'infrastructure informatique basée sur les GPU. Nous offrons des solutions de pointe pour une large gamme d'industries, y compris l'IA, l'apprentissage automatique et le calcul haute performance (HPC). En tirant parti des dernières avancées en matière de matériel et de logiciel, nous donnons à nos clients des capacités de calcul inégalées.

Nous recherchons un Ingénieur des Opérations d'Infrastructure hautement qualifié et motivé pour rejoindre notre équipe dynamique. En tant que membre incontournable de l'équipe InfraOps, vous jouerez un rôle clé dans la gestion et l'optimisation de notre infrastructure informatique basée sur les GPU à travers plusieurs sites et partenaires. Votre objectif sera d'assurer des performances maximales, une évolutivité et une fiabilité.

Gestion de l'Infrastructure : Déployer, configurer et maintenir l'infrastructure informatique basée sur les GPU, y compris serveurs, stockage, réseaux et pile logicielle associée. Aethir facilite le calcul auprès de dizaines de fournisseurs dans le monde entier, allant des 4090 aux H200.

Surveillance et Optimisation : Mettre en œuvre des systèmes de surveillance et d'alerte robustes pour identifier de manière proactive les goulets d'étranglement des performances, les contraintes de ressources et les défaillances potentielles. Optimiser continuellement l'infrastructure pour améliorer les performances, l'efficacité et le rapport coût-efficacité.

Automatisation et Orchestration : Développer des scripts et des outils d'automatisation pour rationaliser le déploiement, la configuration et la gestion des composants de l'infrastructure. Mettre en œuvre des principes d'infrastructure en tant que code (IaC) pour permettre un approvisionnement et une scalabilité rapides.

Sécurité et Conformité : Mettre en œuvre et faire respecter les meilleures pratiques de sécurité pour protéger les données sensibles et assurer la conformité avec les réglementations et normes industrielles pertinentes. Réaliser des audits de sécurité réguliers et des évaluations de vulnérabilité.

Réponse aux Incidents et Dépannage : Fournir un support de niveau 3 pour les problèmes liés à l'infrastructure, enquêter sur les causes profondes et mettre en œuvre des résolutions en temps opportun. Participer à la rotation des astreintes pour répondre aux incidents critiques en dehors des heures ouvrables régulières.

Planification de la Capacité et Scalabilité : Collaborer avec des équipes transversales pour prévoir les besoins en ressources, planifier les mises à niveau de capacité et mettre à l'échelle l'infrastructure pour répondre aux charges de travail croissantes et aux demandes des utilisateurs.

Documentation et Partage des Connaissances : Maintenir une documentation complète des configurations de l'infrastructure, des procédures et des guides de dépannage. Partager les connaissances et les meilleures pratiques avec les membres de l'équipe pour favoriser un apprentissage continu et le développement des compétences.

Expérience en opérations d'infrastructure, de préférence dans un rôle DevOps, SRE, ingénieur commercial ou architecte de solution axé sur le calcul GPU.

Maîtrise de la gestion d'infrastructure informatique basée sur les GPU, y compris les GPUs NVIDIA et la programmation CUDA.

Solide expertise en administration des systèmes Linux et en scripting shell (par exemple, Bash, Python).

Expérience avec des outils de gestion de configuration (par exemple, Ansible, Chef, Puppet) et des systèmes de contrôle de version (par exemple, Git).

Familiarité avec les technologies de conteneurisation et d'orchestration (par exemple, Docker, Kubernetes).

Solide compréhension des concepts de réseau, des protocoles et des techniques de dépannage.

Excellentes compétences analytiques et aptitude à résoudre les problèmes, avec un esprit proactif et axé sur les résultats.

Compétences en communication efficaces et capacité à collaborer efficacement avec des équipes transversales.

Expérience avec les plateformes de cloud computing (par exemple, AWS, Azure, GCP) et les architectures de cloud hybride.

Connaissance des frameworks HPC et des systèmes de planification des tâches (par exemple, Slurm, PBS Pro).

Familiarité avec les bibliothèques et frameworks accélérés par GPU (par