事件与可靠性负责人

我们支持一个快速扩展的GPU云提供商，运行大型加速计算集群，这些集群背后是市场中最 demanding 的AI训练和推理工作负载。平台基于高性能GPU织物、低延迟网络和现代裸金属和容器堆栈构建。该平台在扩展时，将引入事件与可靠性负责人，负责管理平台的事件和问题，领导响应当集群降级时，负责事后复盘，并确保修复措施持续有效。这是一个首创新职能，高可见度的角色，在一个小、高级团队中，以快速移动和负责问题端到端的最高杠杆职位。

为什么加入？

在团队中最可见、最高杠杆的角色，你将为业务在压力下表现设标准。

• 首创职能范围，从地面建设事件和可靠性计划，你的方式。
• 在AI基础设施热潮的尖端工作，集群的停机直接影响收入。
• 加入一个盈利、资金充足的公司，小、高级团队和工程文化重视书面工作而非会议。
• 一个团队每天大量依赖AI工具，并期望你使用它们更高效地工作。

你将做

• 领导主要事件端到端，作为指挥官进行三线处理、升级、通讯节奏、时间线、决策日志和解决。
• 负责客户面向的事件通讯确认、间隔更新、解决通知和清晰、诚实的书面RCAs，及时在SLA窗口内交付。
• 运行无责后复盘计划，跟踪行动到完成，并为整个组织设定复盘写作的质量标准。
• 定义严重性矩阵、升级树、轮班值班政策，跨平台、网络、DC操作和领导层。
• 将部落知识转化为耐用、可测试的运行手册，并负责轮班健康页面的体积、警报质量、轮班公平性和交接卫生。
• 定义和报告企业信任的可靠性指标（MTTA、MTTR、事件计数、SLO达成、重复违规系统）并定期运行游戏日。

我们渴望与有以下经验的候选人交谈

• 7年以上SRE、生产工程或基础设施运维经验，至少在至少一个先前角色中有明确的事件管理所有权。
• 有记录的记录主要事件作为指挥官的经验，保持房间冷静，驱动决策，管理与客户和高管的通讯。
• 在Linux、Kubernetes、网络（L2/L3，BGP基础）和云或裸金属基础设施上有很强的技术熟练度，足以与工程师在桥接上调试。
• 优秀的书面沟通，有经验负责SLOs/错误预算和设计跨多个团队的轮班和警报。

加分项

• 在GPU基础设施、HPC或AI/ML平台运维中的经验（NCCL、InfiniBand、DCGM等）。
• 直接的Kubernetes事件响应经验（控制平面、CNI、运营商模式、嘈杂邻居调试）。
• 熟悉Prometheus、Grafana和现代事件、轮班和票务工具，并在GPU云、CSP或基础设施供应商中拥有直接经验，停机影响收入。

下一步

有兴趣的话，直接申请或给我发消息进行保密讨论。

7年以上SRE、生产工程或基础设施运维经验，至少在至少一个先前角色中有明确的事件管理所有权。

最高可达21万美元基础工资+20%奖金+公共股权，价值每年50-60%的基础工资，四年内分期赠送

我们支持一个快速扩展的GPU云提供商，运行大型加速计算集群，这些集群背后是市场中最 demanding 的AI训练和推理工作负载。平台基于高性能GPU织物、低延迟网络和现代裸金属和容器堆栈构建。