Ingénieur Site Reliability GPU Cloud

Informatique

KubernetesKubeVirtSlurmPrometheusGrafanaLokiPythonBashAnsibleTerraformLinuxRedHatUbuntuLustreGPFSZFSXFSDCGMXID diagnosticsGPUdNVSentinelCumulus LinuxSONiCSpectrum-XRDMAInfiniBandRoCEDPUDOCANVLinkNVSwitchNMX-CNMX-MNVIDIA Base Command ManagerGitOps

Rôle

Garantir la fiabilité la stabilité et la disponibilité des flottes GPU Cloud partenaires NCP en production à l’échelle EMEA en automatisant la détection et la remédiation des incidents en menant la maintenance préventive et en pilotant l’observabilité et l’amélioration continue des plateformes Kubernetes et HPC.

Technologies

Entités

NCP OperationsNVEXTAM

Contextes

CloudHPCGPUInfrastructure as CodeData Center

Compétences

Site Reliability EngineeringGestion d’incidentsDéfinition SLO et error budgetAutomatisationObservabilitéGestion de clusters GPUMaintenance préventiveGestion du cycle de vie des nœudsAnalyse de root causeGestion de firmwareGestion de la sécurité OSGestion du stockage parallèleGestion du réseau datacenter

Challenges détectés

5 enjeux

Optimisation
Assurer la stabilité et la fiabilité des flottes GPU Cloud en production
Technologies clés
KubernetesSlurmPrometheusGrafana
Compétences clés
Site Reliability EngineeringDéfinition SLO et error budgetGestion d’incidents
Optimisation
Automatiser la détection et la remédiation des incidents à grande échelle
Technologies clés
PythonBashAnsibleTerraform
Compétences clés
AutomatisationGestion d’incidents
Optimisation
Piloter la maintenance préventive et les campagnes de mise à jour firmware sur les clusters GPU
Compétences clés
Maintenance préventiveGestion de firmware
Optimisation
Améliorer l’observabilité et la télémétrie des flottes GPU
Technologies clés
PrometheusGrafanaLokiDCGM
Compétences clés
Observabilité
Optimisation
Gérer le cycle de vie et la fiabilité des nœuds Kubernetes sur des stacks hétérogènes
Technologies clés
KubernetesKubeVirtSlurm
Compétences clés
Gestion du cycle de vie des nœuds