Senior Platform & Reliability Engineer

Über OpenArt
OpenArt ist eine KI-Storytelling- und visuelle Kreativplattform, die von Millionen weltweit genutzt wird. Wir entwickeln die nächste Generation kreativer Werkzeuge, die von modernster KI unterstützt werden, um es jedem zu ermöglichen, Videos, Visuals, Charaktere und Geschichten mit beispielloser Geschwindigkeit und Vorstellungskraft zu erstellen. Wir glauben, dass die Zukunft der Kreativität KI-nativ ist, und wir gestalten diese Zukunft.

Warum OpenArt beitreten?
Kleines Team, große Reichweite, erfahrene Ingenieure besitzen echte Systeme, nicht nur Teilbereiche. Arbeiten Sie in echtem Maßstab, Ihre Arbeit erreicht Millionen von Nutzern schnell. Gründergeführte Ingenieurskultur, beide Gründer sind technisch versiert und stark in Produkt und Architektur involviert. KI-natives Produkt, Sie gestalten, wie modernste KI-Modelle als echte Benutzererfahrungen präsentiert werden. Hohe Eigenverantwortung, wenig Prozesse, wir schätzen Urteilsvermögen, Klarheit und Geschwindigkeit über Bürokratie.

Über die Rolle
Wir suchen einen Senior Platform & Reliability Engineer, der hilft, unsere Infrastruktur zu entwerfen, zu skalieren und die Zuverlässigkeit zu verbessern, von architektonischen Entscheidungen bis hin zur praktischen Implementierung, Beobachtbarkeit und Kostenoptimierung. Dies ist keine traditionelle Ops- oder DevOps-Rolle. Sie arbeiten an Cloud-Infrastruktur, verteilten Systemen, Backend-Diensten und Entwicklerwerkzeugen und treffen pragmatische Entscheidungen, die Produktgeschwindigkeit, Systemzuverlässigkeit und Kosteneffizienz in einer sich schnell bewegenden, KI-nativen Umgebung ausbalancieren. Sie arbeiten eng mit Produktentwicklern zusammen, um die Plattform, die OpenArt antreibt, weiterzuentwickeln und zu wichtigen Entscheidungen über die Infrastrukturarchitektur beizutragen, die Zuverlässigkeit von Multi-Provider-KI zu verbessern und uns dabei zu helfen, Systeme für Millionen von Nutzern zu skalieren – während Sie das allgemeine Ingenieurniveau erhöhen.

Was Sie tun werden

• Definieren und operationalisieren Sie SLOs/SLIs über kritische Benutzerreisen (Generierung, Bearbeitung, Zahlungen/Gutschriften, Uploads) und verwenden Sie diese zur Anleitung von Priorisierungen und Abwägungen.
• Teilnahme an einer Bereitschaftsrotation und Verbesserung der Vorfallreaktion (Alarmqualität, Handbuch, Eskalationswege), einschließlich der Leitung von fehlerfreien Nachbesprechungen und der Verfolgung von Maßnahmen.
• Verbessern Sie die Systemresilienz an externen Grenzen (KI-Anbieter, Speicherung usw.), einschließlich Timeouts, Wiederholungen, Schaltkreisschutz und Fallback-Strategien.
• Erstellen und pflegen Sie eine End-to-End-Beobachtbarkeit (Protokolle, Metriken, Traces, Dashboards), damit Ingenieure schnell verstehen können, „was kaputt ist“ und „warum“.
• Stärken Sie die Bereitstellungssicherheit durch CI/CD-Verbesserungen, automatisierte Rollbacks, Canary-Releases und Feature-Flag-Muster.
• Tragen Sie zur Weiterentwicklung unserer Infrastrukturarchitektur bei und helfen Sie zu bewerten, wann serverlose Muster erweitert oder containerisierte oder stärker verwaltete Ansätze übernommen werden sollen, während wir skalieren.
• Verbessern Sie die Kostenübersicht und -effizienz, einschließlich der Kostenattribution pro Anfrage, Caching-Strategien und Kapazitätsplanung.
• Handeln Sie als starker technischer Mitwirkender, der hilft, Ingenieurpraktiken, Werkzeuge und Systemdesignentscheidungen im gesamten Team zu verbessern.

Was wir suchen

• Mindestens 5 Jahre Erfahrung im Aufbau und Betrieb von Produktionssystemen, bei denen Zuverlässigkeit und Skalierung wichtig sind.
• Starke Software-Engineering-Fähigkeiten – Sie können Produktionscode erstellen und bereitstellen, nicht nur Infrastruktur konfigurieren.
• Erfahrung mit cloud-nativen Systemen (AWS oder GCP), einschließlich serverloser/ereignisgesteuerter Architekturen und mindestens einem containerbasierten Ansatz (z. B. ECS/Fargate, Cloud Run, Kubernetes).
• Solides Verständnis von Beobachtungs- und Zuverlässigkeitspraktiken: Metriken, Alarmierung, Nachverfolgung und Vorfallreaktion.
• Erfahrung im Entwerfen robuster Systeme mit externen Abhängigkeiten (Timeouts, Wiederholungen/Rückstau, Idempotenz, Schaltkreisschutz).
• Fähigkeit, technische Abwägungen klar an Ingenieure in verschiedenen Bereichen zu kommunizieren.
• Komfortabel im Umgang mit unklaren, sich schnell bewegenden Umgebungen und Übernahme von Verantwortung für Probleme.
• Erfahrung im Aufbau interner Plattformabstraktionen (z. B. Job-Orchestrierung, API-Schichten, Workflow-Systeme), die die Teamgeschwindigkeit verbessern.
• Nachweisliche Erfolge bei der Verbesserung von Zuverlässigkeitsmetriken (z. B. MTTR, SLO-Erreichung, Latenz) oder der Reduzierung von Infrastrukturkosten.
• Erfahrung in einem Startup oder einer schnell wachsenden Umgebung mit breiter Verantwortung über Systeme.

Technologiestack, mit dem Sie arbeiten werden
GCP, Cloud Run, Modal, Upstash, Sentry, Amplitude, Firebase, Redis, React/Next.js, Node.js, TypeScript, Python usw.

Vergütung
Wettbewerbsfähiges Grundgehalt und Bonusprogramm. Equity - bedeutende Beteiligung an dem, was Sie aufbauen. Hohe Autonomie, wachstumsorientierte Umgebung.

Arbeitssetup
Bay Area bevorzugt (Hybrid erlaubt). Visumsponsoring verfügbar. Wir ziehen Remote-Arbeit in Betracht.