高级系统可靠性工程师，AI工厂

负责GPU系统运行调试和配置，运行设备固件版本并跨组织沟通支持版本；通过Day-2操作维持效率、性能和可用性的严格SLA；监控集群硬件状态，发现瓶颈和热点，帮助用户持续获得峰值性能；排查硬件故障修复问题并持续改进开源修复方案；与编程和技术部门协作定义并实施可重复的流程；制定和实施操作策略及流程，保持关键基础设施与SLA的一致性；制定最小停机时间和质量控制流程以实现持续可用性；向软件和硬件团队反馈需求；创建供生态系统运行自有AI数据中心的文档。

计算机工程/科学或相关领域本科或硕士学历，或等同经验，总工作年限10年以上；具备GPU舰队管理经验；10年以上提升数据中心运营或关键基础设施经验；精通BMS及电源管理；有Provisioning、Commissioning和Config Management解决方案经验；有使用Packer和开发QCOW2镜像经验；有协调远程操作经验；熟悉数据中心库存管理系统如Netbox、Nautilus等；有与多团队协作实现运营卓越记录；有通过稳健流程、快速现场响应和恢复提升可靠性经验。

具有竞争力的薪资和丰厚的福利 package，NVIDIA 被认为是科技行业最理想的雇主之一。我们拥有全球最前沿和多面的工程师团队，工程团队在开源数据中心、边缘计算、AI工厂等最具影响力的领域快速成长。如果你是一位热爱技术、追求自主权并分享我们对技术热情的工程师，我们期待你的加入。

NVIDIA 是全球领先的科技公司，专注于人工智能、图形处理和计算技术。公司致力于推动人工智能和高性能计算的发展，通过创新技术为全球客户提供解决方案。