# О компании Nscale
Nscale — это облако GPU, разработанное специально для ИИ. Мы предоставляем экономически эффективную и высокопроизводительную инфраструктуру для стартапов в области ИИ и крупных корпоративных клиентов. Nscale помогает компаниям, ориентированным на ИИ, достигать превосходных результатов, снижая сложность разработки ИИ. Наше GPU-облако усиливает технические возможности и напрямую поддерживает стратегические бизнес-цели, включая управление затратами, быстрое внедрение инноваций и экологическую ответственность.
В Nscale команда поддержки и операций играет ключевую роль в обеспечении доступности сервиса, повышении надежности и быстром реагировании на запросы клиентов.
Мы процветаем благодаря культуре неустанных инноваций, ответственности и вовлеченности, где каждый член команды гордится своей работой и выполняет её с высоким качеством и срочностью. Будучи Nscaler, вы будете строить доверие через открытость и прозрачность, где каждый вдохновлен делать свою работу наилучшим образом. Присоединившись к нашей команде, вы будете вносить вклад в создание технологий, которые формируют будущее.
# Старший инженер поддержки AI-инфраструктуры - APAC
Чем вы будете заниматься
•Участвовать в ротации дежурств поддержки в качестве старшего пункта эскалации, сотрудничая с командами инженерии инфраструктуры, CNPRE, сетевых операций и инженерии продукта по инцидентам, расследованиям и изменениям
•Диагностировать и устранять неисправности GPU-узлов на всех уровнях — драйвер, прошивка и аппаратное обеспечение — используя анализ nvidia-smi/DCGM и XID/RAS, управление BMC/Redfish и внеполосное управление, а также изоляцию физических неисправностей и взаимодействие с поставщиками для RMA
•Отвечать за состояние east-west fabric: проводить диагностику на уровне линков (mlxlink, ibdiagnet или аналогичные инструменты), изолировать неисправности трансиверов, оптики, кабелей и портов коммутаторов, а также проверять топологию в сетях InfiniBand и RoCE/высокоскоростного Ethernet
•Исследовать проблемы с передачей данных на платформах высокопроизводительного хранения (например, VAST), включая взаимодействие хранения и сети между клиентами, монтированиями, VIP и маршрутизацией
•Проводить структурированные, основанные на гипотезах расследования; выполнять анализ коренных причин крупных инцидентов и доводить долгосрочные исправления до завершения
•Разрабатывать и выполнять изменения в живых средах клиентов с надлежащей оценкой рисков, рецензированием коллег и планами отката
•Проактивно улучшать панели мониторинга, оповещения и инструкции для предотвращения повторных инцидентов; выявлять повторяющиеся шаблоны и преобразовывать их в записи о проблемах и автоматизацию
•Точно регистрировать, обновлять и закрывать тикеты, информируя внутренние и внешние стороны с четкими заявлениями о влиянии на клиента и заметками с доказательной базой, обеспечивающими чистую передачу дела
•Разрабатывать и внедрять скрипты автоматизации и небольшие инструменты для снижения рутинной работы и человеческого вмешательства
•Выступать в качестве ключевого пункта эскалации для организации поддержки; брать на себя ответственность за стратегические решения, где важен результат
•Наставлять и повышать квалификацию инженеров среднего уровня; способствовать обмену знаниями между операциями и инженерией, включая создание учебных материалов, проведение семинаров и рецензирование PR
•Лидировать, заслуживая доверие и открыто выражая мнение. Спорить, когда это уместно, и бросать вызов статус-кво; полностью поддерживать принятые решения
•Реагировать на критические инциденты вне рабочего времени и участвовать в дежурствах по мере необходимости. Путешествовать на объекты Nscale или клиентов для предоставления технической поддержки на месте
О вас
•6+ лет опыта в инфраструктуре, операциях или инженерной поддержке в производственных средах; 2–3+ года практического опыта с GPU, HPC или крупномасштабными дата-центрами, желательно в клиентском или эскалационном формате
•Умение ясно, конкретно и кратко объяснять сложные технические детали — в тикетах, обновлениях по инцидентам и лично клиентам и заинтересованным сторонам на всех уровнях. Сильные навыки письменной дисциплины: ваши заметки позволяют следующему инженеру продолжить работу без необходимости начинать с нуля
•Платформы GPU (NVIDIA; опыт с AMD Instinct будет плюсом). Практический, актуальный опыт работы с драйверами GPU, прошивками и runtime-стеками на кластерах для обучения и инференса ИИ. Уверенное владение nvidia-smi, DCGM и интерпретацией ошибок XID; способность изолировать неисправности на уровнях GPU, базовой платы, NIC и PCIe и доводить диагностику до RMA
•Высокопроизводительные east-west fabric. Практический опыт работы с RDMA-сетями, такими как InfiniBand и/или RoCE, включая диагностику на уровне линков (mlxlink, ibdiagnet или аналогичные), изоляцию неисправностей трансиверов и кабелей, понимание оптимизированных топологий, NVLink/NVSwitch и устранение проблем с производительностью NCCL на многозвенных кластерах
•Планирование HPC. Опыт работы со Slurm для крупных многогпу задач — контейнеры через Pyxis/Enroot, MPI, диагностика очередей, топологии и сбоев задач
•Инженерия систем Linux в масштабе. Отличное владение современными дистрибутивами Linux, модулями ядра, systemd, сетевым стеком и инструментами работы с файловыми системами. Подтвержденный опыт устранения неполадок на вычислительном, хранилищном и сетевом уровнях в производстве
•Серверное оборудование и управляющие плоскости. Уверенное владение BMC/Redfish, управлением прошивками и процессами bare-metal provisioning (MAAS или аналогичные) на больших парках узлов
•Основы сетей. Хорошее понимание L2/L3, маршрутизации, BGP, VLAN, VXLAN, межсетевых экранов и балансировки нагрузки, с четким пониманием различий трафика east-west и north-south в кластерах
•Наблюдаемость и реагирование на инциденты. Создание и использование стеков оповещений и панелей мониторинга (Prometheus/Grafana или аналогичные), интерпретация метрик и оповещений, выполнение инструкций по устранению, участие в формировании SLO и обзорах после инцидентов
•Оценка изменений и рисков. Опыт разработки и выполнения изменений в критически важных для бизнеса средах, включая оценку рисков, анализ влияния на клиентов и планы отката
•Операции в стиле SRE. Написание и поддержка инструкций, автоматизация диагностики и снижение человеческого вмешательства с помощью скриптов и небольших инструментов
•Автоматизация и Git. Навыки скриптинга на Bash, Python или аналогичных языках для операционных инструментов и интеграций; опыт работы с инструментами автоматизации инфраструктуры (Ansible, Terraform или аналогичные)
•Основы дата-центров. Понимание работы дата-центров — серверы, сети, хранилища, питание и охлаждение, желательно полученное в операционной поддержке
•Дисциплинированность, организованность и самомотивация, способность наставлять и мотивировать других инженеров, принимать решительные меры и стимулировать команду и организацию к улучшениям
•Готовность адаптироваться к требованиям клиентов, включая специализированную поддержку вне основных часов и командировки для работы на месте
Желательно
•Высокопроизводительное хранение. Практический опыт работы с VAST или аналогичными платформами хранения, оптимизированными для ИИ, или Ceph/параллельными файловыми системами и NFS в масштабе (multipath, remoteports, nconnect), включая диагностику взаимодействия хранения и сети и проблем с производительностью передачи данных
•OpenStack и инструменты управления парком. Опыт работы с OpenStack (Neutron, Cinder, триаж ошибок), а также знакомство с инструментами управления крупномасштабными парками для provisioning, мониторинга состояния и устранения неисправностей на больших GPU-парках (MAAS, NetBox, автоматизация на базе Redfish или аналогичные)
•Эксплуатация и устранение неполадок кластеров, включая стеки GPU-операторов и понимание абстракции физических ресурсов на уровне стека. Полезный контекст для нашей платформы, хотя и не является основной частью этой роли
•Автоматизация в масштабе. Автоматизированная конфигурация сети с безопасными, повторяемыми изменениями в критически важных для бизнеса средах; GitOps и CI/CD пайплайны (GitHub Actions или аналогичные); инструменты доступа и безопасности, такие как Teleport или Vault в производстве
•Соответствующие сертификаты по GPU/HPC, архитектуре дата-центров, Linux, сетям, Kubernetes, облакам или безопасности (например, RHCSA/RHCE, CKA, сертификаты NVIDIA) будут плюсом
Наши основные ценности
Неустанные инновации — мы постоянно расширяем границы инноваций, принимая творческие риски для формирования будущего, создавая продукты, которые превосходят сегодняшние ожидания.
Ответственность и вовлеченность — каждый Nscaler полностью отвечает за свою работу, выполняя её с высоким качеством и срочностью.
Открытость и прозрачность — доверие и прозрачность ключевые для успеха; мы поддерживаем открытую коммуникацию внутри команд и с заинтересованными сторонами, а наш подход с открытым исходным кодом позволяет клиентам изучать наши технологии.
Ориентация на клиента — наши клиенты в центре нашей миссии, мы стремимся глубоко понимать их потребности и превосходить ожидания по качеству продукта и сервиса.
Устойчивое развитие — мы учитываем долгосрочные экологические и социальные последствия наших технологий, интегрируя устойчивость в операции и разработку продуктов.
Сотрудничество на полной скорости — сотрудничество в Nscale быстрое, эффективное и уважительное, с четкой коммуникацией и взаимным уважением.
