Роль

Управлять повседневной работой команды инженеров по надежности ИИ из восьми-десяти человек по всему региону EMEA. Вы отвечаете за людей, очередь, график и эскалации. Вы подчиняетесь старшему менеджеру AIR для региона EMEA, который отвечает за стратегию, бюджет и отношения с ключевыми клиентами, поэтому ваше время посвящено управлению операцией мирового класса и развитию инженеров в команде.

На данный момент парк насчитывает около 29 000 GPU, с плановой целью достичь одного миллиона к концу 2027 года. Вы — первый менеджер, нанятый под старшего менеджера, и по мере роста региона вы берете на себя ответственность за полный столп с собственной очередью и стандартными операционными процедурами (SOP). Это практическая роль: достаточно близкая к GPU, Linux и высокопроизводительным сетям, чтобы возглавить инцидент и оспорить диагноз, при этом большую часть недели руководить командой.

Чем вы будете заниматься

• Руководить командой из восьми-десяти инженеров по надежности ИИ: проводить индивидуальные встречи, ставить цели, проводить обзоры, управлять испытательным сроком, развитием и наймом
• Отвечать за очередь: приоритизация, соблюдение SLA, среднее время восстановления (MTTR) и бэклог, с назначенным ответственным за каждый тикет, близкий к нарушению SLA, и четкими передачами в инженерные и подрядные команды
• Организовывать график и дежурства команды в рамках модели покрытия EMEA и глобальной передачи по принципу «следуй за солнцем»
• Быть первой точкой эскалации для менеджмента по инцидентам P1 и эскалациям от клиентов, проводить обзоры после инцидентов и превращать повторяющиеся инциденты в записи о проблемах и устойчивые решения
• Отвечать за стандартные операционные процедуры (SOP) вашего столпа и внедрять их в автоматизацию Nscale, чтобы повторяющиеся исправления требовали меньше человеческого времени
• Поддерживать ежедневные рабочие отношения с операциями дата-центров, сетевыми операциями, инженерными командами и командами по инструментам и автоматизации флота
• Еженедельно и точно отчитываться по показателям вашей команды и объяснять, что изменилось и почему

О вас

• Опыт: более 6 лет в инфраструктуре, операциях или инженерной поддержке в производственных средах, включая более 2 лет работы с GPU, HPC или крупными дата-центрами
• Лидерство: более 3 лет управления инженерами в операционной поддержке, включая проведение обзоров, планов развития и управление производительностью до достижения результатов
• Операционная ответственность: вы управляли очередью с соблюдением SLA и уверенно несете ответственность за показатели
• Коммуникация: ясная, конкретная и лаконичная, как в письменной, так и в устной форме
• Решительность и прагматизм: вы принимаете решения при неполной информации, улучшаете процессы без замедления доставки и придерживаетесь решения после его принятия
• Техническая база: уверенные знания Linux и сетей в производственной среде, практическое понимание того, как выходят из строя и ремонтируются GPU, привычки ITIL и SRE, а также достаточные навыки скриптинга для проверки работы инженера
• Адаптивность: комфортно относитесь к эскалациям вне рабочего времени, дежурствам и поездкам в дата-центры и к клиентам

Желательно иметь

• Глубокие знания платформы NVIDIA GPU: nvidia-smi, DCGM и интерпретация XID до RMA (приветствуется опыт с AMD Instinct)
• Диагностика InfiniBand или RoCE, NCCL, NVLink и NVSwitch, а также Slurm с Pyxis и Enroot
• Системы масштаба стойки, такие как GB200 и GB300 NVL72
• BMC и Redfish, MAAS, NetBox, OpenStack, Kubernetes, а также Ansible или Terraform
• Высокопроизводительное хранилище, такое как VAST, Ceph или NFS в масштабе
• Операции по принципу «следуй за солнцем», а также сертификаты ITIL, Linux, сетей, Kubernetes или NVIDIA

Для информации о том, как Nscale обрабатывает персональные данные кандидатов, пожалуйста, ознакомьтесь с нашим Уведомлением о конфиденциальности сотрудников и кандидатов: Здесь.

Nscale не принимает непрошенные резюме от рекрутинговых агентств.