现场可靠性工程师 - NYC

我们正在寻找经验丰富的现场可靠性工程师（SRE）来塑造平台和客户面向应用的可靠性、可扩展性和性能。您将与我们的软件工程师和研究团队紧密合作，确保我们的系统满足并超过内部和外部客户的需求。

作为现场可靠性工程师，您需要在日常生产系统操作与长期软件工程改进之间取得平衡，以减少运营工作量并促进系统的可靠性、可用性和性能。

运营

• 设计、构建和维护可扩展、高度可用和容错的基础设施以支持我们的网络服务和机器学习工作负载
• 确保我们的平台、推理和模型训练环境始终高度可用，并能够无缝复制工作环境跨多个HPC集群
• 在生产环境中操作系统并解决生产环境中的问题（中断、轮班响应、用户管理、数据提取、基础设施扩展等）
• 实施和改进监控、警报和事件响应系统以确保最佳系统性能并最小化停机时间
• 实施和维护工作流和工具（CI/CD、容器化、编排、监控、日志和警报系统）以支持我们的客户面向API和大规模训练运行
• 偶尔参与轮班响应以响应事件并执行根本原因分析以防止未来发生

开发

• 驱动基础设施自动化、部署和编排的持续改进，使用Kubernetes、Flux、Terraform等工具
• 与AI/ML研究人员合作，开发和实施能够安全且可重复地进行模型训练实验的解决方案
• 构建一个云无关的平台，提供科学与基础设施之间的抽象层
• 设计和开发新的工作流和工具以提高系统可靠性、可用性和性能（自动化脚本、重构、新API功能、Web应用、仪表板等）
• 与安全团队合作，确保基础设施符合最佳安全实践和合规要求
• 文档流程和程序以确保团队内的一致性和知识共享
• 贡献开源项目、研究出版物、博客文章和会议

硕士计算机科学、工程或相关领域的学位
7年以上DevOps/SRE角色的经验
对云计算和高度可用分布式系统有强烈经验
在关键环境中熟悉现场可靠性问题（问题根本原因分析、生产环境中的故障排除、轮班响应等）
有与可靠性KPIs（可观测性、警报、SLAs）相关经验
有CI/CD、容器化和编排工具（Docker、Kubernetes...）的动手经验
了解监控、日志、警报和可观测性工具（Prometheus、Grafana、ELK Stack、Datadog...）
熟悉基础设施即代码工具如Terraform或CloudFormation
精通脚本语言（Python、Go、Bash...）和软件开发最佳实践
对网络、安全和系统管理概念有深刻理解
优秀的解决问题和沟通技能
自驱力强，能够在快速发展的初创公司环境中工作

具有竞争力的薪资和股权
医疗/牙科/视力保险覆盖您和您的家人
401K：6%匹配
PTO：18天
交通：报销办公室停车费，或每月$120公共交通
体育：每月$120健身房会员报销
餐费津贴：每月$400餐费津贴
签证赞助
教练：我们提供BetterUp教练（自愿）

Mistral AI致力于通过高绩效、优化、开源和前沿的模型、产品和解决方案民主化AI。我们的全面AI平台旨在满足企业需求，无论是本地还是云环境。我们的产品包括le Chat，即生活和工作的AI助手。我们是一个动态、协作的团队，充满对AI及其变革社会潜力的热情。我们的多样化团队在竞争环境中茁壮成长，并致力于推动创新。我们的团队分布在法国、美国、英国、德国和新加坡。我们是创意、低自尊和团队精神的。