asobbi 招聘 系统可靠性工程师（HPC）在拉美 | LinkedIn

作为HPC SRE，您将负责大型GPU集群在AI和HPC工作负载中的可靠性、性能和可扩展性。您将跨裸金属和云原生环境工作，确保在极端规模下的高可用性和运营 excellence。

关键职责包括：管理并优化大型HPC/GPU集群（10万+ GPU）、负责集群可靠性、监控和事件响应、使用IaC工具（Ansible、Terraform）自动化基础设施、构建和维护可观测性堆栈（Prometheus、Grafana）、支持和扩展用于AI工作负载的Kubernetes平台、与网络和基础设施团队紧密合作在高性能织物上工作。

要求包括：在大规模HPC环境中具有Slurm的强烈经验、对InfiniBand和高性能网络的深入理解、在HPC、AI或云基础设施中的SRE/DevOps背景、使用Ansible、Kubernetes、Prometheus和Grafana的动手经验、在大规模裸金属环境中操作的经验。