Technical Program Manager – Provider Management

Standort: Remote/SF-Hybrid Vollzeit

Über Andromeda

Andromeda Cluster wurde von Nat Friedman und Daniel Gross gegründet, um Startups in der Frühphase Zugang zu skalierter KI-Infrastruktur zu ermöglichen, die zuvor nur für Hyperscaler reserviert war. Wir haben mit einem einzigen verwalteten Cluster begonnen, der fast sofort gefüllt war. Seitdem bauen wir leise die Systeme, Netzwerke und Orchestrierungsschichten auf, die die KI-Infrastruktur der Welt zugänglicher machen. Heute arbeitet Andromeda mit führenden KI-Labors, Rechenzentren und Cloud-Anbietern zusammen, um Rechenleistung dort bereitzustellen, wo sie am dringendsten benötigt wird. Unsere Plattform leitet Trainings- und Inferenzjobs über das globale Angebot und ermöglicht Flexibilität und Effizienz in einem der am schnellsten wachsenden Märkte der Erde. Unsere langfristige Vision ist es, die Liquiditätsschicht für globale KI-Rechenleistung aufzubauen. Wir erweitern uns in neue Bereiche, um die Besten im Bereich KI-Infrastruktur, Forschung und Engineering zu finden.

Die Rolle

Diese Rolle verantwortet unsere Anbieterbeziehungen auf der Ausführungsseite. Sie werden die Programme leiten, die sicherstellen, dass ein Anbieter gut innerhalb von Andromeda funktioniert. Dazu gehört die Einarbeitung neuer Anbieter und Standorte, Kapazitätserweiterungen, Qualitätsprobleme bei Hardware und Netzwerken sowie größere Vorfälle. Sie sind die Person, an die sich unsere Anbieter bezüglich Lieferfristen und offenen Punkten wenden. Wenn ein Trainingslauf eines Kunden aufgrund eines Anbieterausfalls ausfällt, sind Sie der Einsatzleiter: Sie leiten die Reaktion zwischen unseren SREs, den Ingenieuren des Anbieters und dem Kunden, bis das Problem gelöst ist. Sie haben keine formale Autorität über die Anbieterteams, aber Sie haben den Plan, den Eskalationsweg, die vertraglichen Verpflichtungen und die Beziehung. Sie müssen in der Lage sein, alle vier effektiv zu nutzen. Niemand besitzt diesen Prozess heute vollständig; er wird von dem Ingenieur übernommen, der gerade Kapazitäten hat, und sowohl Anbieter als auch Kunden haben die Inkonsistenz bemerkt. Sie wären die erste Person in dieser Rolle, daher besteht ein Teil des Jobs darin, zu definieren, wie das Management von Anbieterprogrammen hier aussieht.

Was Sie tun werden

• Verwaltung der Einarbeitung neuer Anbieter und Standorte, Kapazitätserweiterungen, Behebung wiederkehrender Hardware- oder Netzwerkprobleme und Pflege der Anbieterbeziehungen.
• Als Einsatzleiter während größerer Vorfälle auf der Anbieterseite fungieren: die richtigen Personen aus unserem SRE-Team, dem Anbieter und dem betroffenen Kunden zusammenbringen, die Reaktion leiten, die Kommunikation während des gesamten Prozesses übernehmen und das Nachbearbeitungsprogramm nach dem Vorfall vorantreiben.
• Ein echtes Programm für jedes Projekt führen; Meilensteine, Verantwortliche, Abhängigkeiten, Risiken.
• Die Sichtbarkeit für alle Beteiligten, einschließlich des Anbieters, aufrechterhalten.
• Die Anbieter an ihre Verpflichtungen halten: strukturierte Check-ins, verfolgte Aktionspunkte und Eskalation an die Anbieterführung, wenn Dinge schleifen, unterstützt durch das, was im Vertrag steht.
• Intern koordinieren, damit Anbieterprobleme nicht ins Stocken geraten.
• Frühzeitig Kapazitäts- und Qualitätsrisiken erkennen, bevor sie zu einem kundenbezogenen Problem werden.
• Das, was Sie lernen, in Handbücher und standards für Anbieter umwandeln, damit die Einarbeitung des nächsten Standorts schneller und reibungsloser erfolgt als beim letzten.

Was wir suchen

• Mehrere Jahre Erfahrung in der Leitung technischer Programme in der Infrastruktur.
• Erfahrung im Management von Vorfällen: Sie haben Produktionsvorfälle geleitet oder koordiniert, die mehrere Organisationen betreffen, und sind mit der Realität von Einsätzen außerhalb der regulären Arbeitszeiten vertraut.
• Genug technisches Verständnis, um mit den Datenzentrum-Ingenieuren eines Anbieters und unseren SREs über GPUs, Netzwerke und Speicher zu kommunizieren.
• Eine Erfolgsbilanz darin, Teams, die Sie nicht verwalten, einschließlich externer Partner, auszurichten und in Bewegung zu bringen, auch in schwierigen Phasen, in denen die Beziehung angespannt ist.
• Solide Grundlagen: Planung, Risikoverfolgung, Statuskommunikation und gleichzeitige Verwaltung von vier oder fünf Programmen.
• Ruhige, direkte Kommunikation. Sie würden lieber schlechte Nachrichten frühzeitig als gute Nachrichten spät übermitteln, und sowohl Anbieter als auch interne Teams vertrauen Ihnen aufgrund dessen.
• Komfort mit Unklarheiten. Der Prozess, dem Sie folgen werden, existiert größtenteils noch nicht; Sie werden viel davon schreiben.

Starke Kandidaten könnten folgende Erfahrungen haben

• Direkte Erfahrung in der Zusammenarbeit mit oder innerhalb von Neocloud-, Colocation- oder Rechenzentrumsanbietern.
• Hintergrund im Management von Anbietern oder Lieferanten – SLAs, Verpflichtungen, Eskalationsrahmen.
• Vertrautheit mit dem Stack: NVIDIA-Datenzentrum-GPUs, InfiniBand/RoCE, Slurm oder Kubernetes.
• Erfahrung in der Unterstützung von KI-Forschungslabors oder anderen großangelegten GPU-Kunden auf der Verbraucherseite.

Was Erfolg aussieht

• Anbieterbeziehungen, auf die wir uns verlassen können. Unsere Rechenanbieter vertrauen Ihnen und kommunizieren offen mit Ihnen, sodass wir glauben, was sie uns über die kommende Kapazität mitteilen.
• Kapazitätsprognosen werden zuverlässig statt hoffnungsvoll.
• Einarbeitung, die schnell, vorhersehbar und reibungslos ist. Neue Anbieter und Standorte kommen zu einem bekannten Zeitplan online, mit wenigen Überraschungen.
• Ein Partnerhandbuch, das das Netzwerk skalierbar macht. Sie haben die Standards und das Handbuch erstellt, die potenzielle Anbieter verwenden, um ihre Infrastruktur auf unser Niveau zu bringen.
• Interner Vertrauen über die Teams, die Sie nicht verwalten. SRE, Engineering, Produkt und Vertrieb/CS verlassen sich auf Ihre Einschätzung der Anbieter-Gesundheit und -Zeitpläne und zählen darauf, dass Sie Risiken frühzeitig kennzeichnen und die Reaktion koordinieren, wenn es darauf ankommt.

Warum Sie es hier lieben werden

• Wachstumsumfeld: Kommen Sie früh zu einem Unternehmen, das im Zentrum des KI-Infrastrukturbooms steht.
• Eigenverantwortung: Erster TPM-Einstieg für das Solutions Engineering-Team, Sie werden diese Funktion von Grund auf aufbauen.
• Wettbewerbsfähige Vergütung: + bedeutendes Eigenkapital.
• Umfassende Leistungen: für Sie und Ihre Angehörigen, einschließlich Gesundheitsversorgung, Zahn- und Augenversicherung, 401(k) und unbegrenztem PTO.

Anforderungen

• Mehrere Jahre Erfahrung in der Leitung technischer Programme in der Infrastruktur.
• Erfahrung im Management von Vorfällen.
• Genug technisches Verständnis über GPUs, Netzwerke und Speicher.
• Eine Erfolgsbilanz bei der Ausrichtung von Teams und externen Partnern.
• Solide Grundlagen in Planung, Risikoverfolgung und Kommunikation.
• Ruhiger, direkter Kommunikationsstil.
• Komfort mit Unklarheiten.

Kernkompetenzen

Demonstriert Fachwissen im Management technischer Programme innerhalb der Infrastruktur, mit starkem Fokus auf das Management von Vorfällen, das Management von Anbieterbeziehungen und effektive Kommunikation zwischen den Teams. Kompetent in Planung, Risikoverfolgung und der Entwicklung von Handbüchern zur Optimierung der Einarbeitungsprozesse für Anbieter.

Werkzeuge & Technologien

• NVIDIA-Datenzentrum-GPUs
• InfiniBand
• RoCE
• Slurm
• Kubernetes