Distinguished Engineer, Production Engineering, Cluster Management

NVIDIA sucht einen Distinguished Engineer, der als technischer Leiter in der Produktionsingenieurorganisation fungiert. Die Person wird leidenschaftlich Clusteraktivitäten innerhalb der DGX Cloud GPU-Kapazität leiten. Die Produktionsingenieurabteilung bei NVIDIA hat die Aufgabe, sicherzustellen, dass großangelegte Produktionssysteme zuverlässig, verwaltbar und zunehmend automatisiert über die DGX Cloud-Ressourcen bleiben. Unsere Methode kombiniert Softwareengineering, Systemengineering und Produktionsexpertise. Dies ermöglicht es uns, Plattformen, Workflows und Betriebsmodelle zu entwickeln, die die Gesundheit, Skalierbarkeit und Verfügbarkeit der GPU-Infrastruktur für Forscher und Kunden erhalten.

Diese Position konzentriert sich auf die betriebliche Struktur für DGX Cloud-Cluster in On-Premise-, Hyperscaler- und NVIDIA Cloud-Partnerumgebungen. Der Umfang umfasst die ingenieurtechnischen Verbindungen, die erforderlich sind, um sicherzustellen, dass die DGX Cloud-Kapazität in der Produktion voll funktionsfähig ist: Kubernetes-Serviceverwaltung, Bereitstellung und Hardwarebereitschaft, Handhabung der On-Premise-Infrastruktur, Bereitstellung und betriebliche Vorbereitung, Zusammenarbeit zur Servicezuverlässigkeit und die Prozesse, die diese Bereiche in ein einheitliches Produktionssystem integrieren.

Dies ist eine praktische Rolle für einen tief technisch versierten Distinguished Engineer, der die architektonische Richtung für Clusteroperationen in der gesamten DGX Cloud definieren wird. Die richtige Person wird Softwareengineering-Rigor, Systemtiefe und Produktionsurteil kombinieren. Sie werden die technische Strategie festlegen und Betriebsstandards etablieren. Sie werden die Evolution des Rahmens für Produktionsoperationen leiten und den Fortschritt bei bereichsübergreifenden Fähigkeiten vorantreiben, um die DGX Cloud-Kapazität nutzbar, unterstützbar und skalierbar zu halten.

Was Sie tun werden:

• Definieren Sie die langfristige technische Strategie für den Betrieb von DGX Cloud-Clustern konsistent über lokale Rechenzentren, Hyperscaler und NeoCloud-Umgebungen.
• Definieren Sie die architektonische Richtung und grundlegende Betriebsstandards für den Lebenszyklus von Clustern, die Bereitstellung zur Laufzeit, Wiederherstellung, Release-Bereitschaft und Betriebsfähigkeit im stabilen Zustand in Bezug auf die DGX Cloud-Kapazität.
• Leiten Sie die Roadmap und Ausführung kritischer bereichsübergreifender Investitionen, die die Produktionsbereitschaft, Betriebssicherheit, Leistung und die Koordination zwischen Teams verbessern.
• Treffen und beeinflussen Sie hochwirksame technische Entscheidungen, die bestimmen, wie Plattform-, Hardware-, Anbieter- und Serviceteams zusammenarbeiten, um DGX Cloud-Ressourcen in der Produktion zu betreiben.
• Erstellen Sie langlebige Workflows, Schnittstellen und Ingenieureingriffe über den Kubernetes-Produktionsdienst, die Vorbereitung von Anbietern und Hardware sowie On-Premise- und Bare-Metal-Umgebungen.
• Restrukturieren Sie die Betriebs- und Serviceebenenzuverlässigkeitsdomänen.
• Entwickeln und verbessern Sie die Automatisierung, APIs, Betriebsabläufe und Bereitschaftstore, die erforderlich sind, um neue Kapazitäten in die stabile Produktion zu überführen und bestehende Kapazitäten im Gleichgewicht zu halten.
• Implementieren Sie Betriebsansätze, die manuelle Eingaben reduzieren, klare Verantwortlichkeiten festlegen und Konsistenz, Nachverfolgbarkeit und Release-Sicherheit innerhalb der DGX Cloud-Umgebungen erhöhen.
• Arbeiten Sie eng mit Plattformteams, Hardware- und Anbieterengineering, Servicebesitzern und anderen Führungskräften im Bereich Produktionsengineering zusammen, um wiederkehrende Reibungen zu identifizieren und in dauerhafte Verbesserungen in Software, Prozessen und betrieblichen Schnittstellen umzuwandeln.
• Erhöhen Sie den Ingenieurniveau für Betriebsfähigkeit, Resilienz, Skalierbarkeit und Leistung über Clusteroperationen hinweg durch Führungsstärke, Architekturüberprüfung und technische Standards.

Was wir sehen müssen:

• BS, MS oder PhD in Informatik, Elektrotechnik oder einem verwandten technischen Bereich oder gleichwertige Erfahrung.
• 18+ Jahre Erfahrung im Aufbau und Betrieb großangelegter verteilter Systeme, Infrastrukturplattformen oder Produktionsumgebungen.
• Bestätigte technische Führung auf Unternehmensniveau in Produktionsengineering, SRE, Infrastruktursoftware oder Cloud-Plattformen.
• Konsequente Erfolgsbilanz bei der Definition von Betriebsmodellen, architektonischer Richtung und Ingenieurstandards über mehrere technische Bereiche und Organisationen hinweg.
• Erfahrung in der Leitung großer, bereichsübergreifender technischer Bemühungen vom Konzept bis zur Produktion, einschließlich der Abstimmung von Mitarbeitern, Klärung von Fragen und Erzielung messbarer Ergebnisse.
• Tiefe Erfahrung in einem oder mehreren dieser Bereiche: Kubernetes-basierte Produktionssysteme, Infrastrukturautomatisierung oder Betrieb verteilter Systeme.
• Starke Softwareengineering-Fähigkeiten in Sprachen wie Python, Go oder ähnlichen Programmiersprachen.
• Tiefes Verständnis von verteilten Systemen, Linux, Netzwerken, Containern und Produktionszuverlässigkeitsfragen.
• Erfahrung in der Erstellung betrieblicher Workflows, APIs, Dienstschnittstellen oder Automatisierungsrahmen, die zum Standard werden, wie Teams Produktionssysteme betreiben.
• Starkes architektonisches Urteilsvermögen und eine nachgewiesene Geschichte der Vereinfachung komplexer betrieblicher Probleme durch wiederverwendbare Software, klare technische Strategien und dauerhafte Ingenierrichtlinien.

Wege, sich von der Masse abzuheben:

• Definierte die strukturelle Grundlage für eine große, heterogene Infrastrukturumgebung, die sich über mehrere Plattformen oder Anbieter erstreckt.
• Etablierte weit verbreitete Betriebsstandards, Architekturen, APIs oder Workflows, die die Zuverlässigkeit, Betriebsfähigkeit oder Leistung im Unternehmensmaßstab verbesserten.
• Erstellte Automatisierungs- und Ingenieurschnittstellen, die Plattformteams, Infrastrukturteams und Servicebesitzer in ein konsistentes Produktionssystem integrieren.
• Erfahrung in der Verbesserung der Produktionsbereitschaft, Wiederherstellung, Laufzeitsicherheit oder Release-Qualität für großangelegte Infrastruktur.
• Genauso wohlfühlend beim Festlegen technischer Strategien, Überprüfen von Architekturen im großen Maßstab, Schreiben von Code und Fördern der Akzeptanz über organisatorische Grenzen hinweg.

Diese Rolle ist absichtlich dem bereichsübergreifenden Produktionsbetriebsmodell für die DGX Cloud-Kapazität zugewiesen. Sie umfasst keine gemeinsame Plattform-Softwarefunktion für typische Automatisierungsdienste. Der Erfolg wird erreicht, indem sichergestellt wird, dass das größere DGX Cloud-Cluster optimal in einer Live-Umgebung funktioniert. Die Position erfordert starke technische Führung, konsistente Workflows, klare Grenzen und produktive bereichsübergreifende Ingenieurkoordination.