Senior Site Reliability Engineer

Über die Rolle

Bevor ein autonomes Fahrzeug eine belebte Kreuzung überquert, bevor ein Roboter lernt, in einem Lager zu greifen und zu platzieren, muss jedes physische KI-System sich in unserer Welt beweisen. Parallel Domain baut die Plattform, die die nächste Generation autonomer Systeme in hochpräzisen virtuellen Umgebungen validiert, und die Infrastruktur, die diese Plattform unterstützt, ermöglicht Simulationen im großen Maßstab. Wir suchen einen Senior Site Reliability Engineer, der hilft, diese Infrastruktur aufzubauen und zu betreiben. Diese Rolle ist zentral für den Betrieb großangelegter, verteilter Simulationslasten für Tests und Validierungen autonomer Systeme. Sie werden über mehrere Regionen der AWS-Infrastruktur arbeiten, Kubernetes im großen Maßstab betreiben und direkt zu den Zuverlässigkeits-, Sicherheits- und Bereitstellungssystemen beitragen, auf die der Rest der Engineering-Organisation angewiesen ist.

Dies ist eine praktische Rolle mit der breiten Verantwortung, die typisch für ein Startup ist. Sie werden eng mit den Teams für Plattform, Simulation und ML zusammenarbeiten, um das System reibungslos am Laufen zu halten und weiterzuentwickeln. Wir erweitern das Team – zwei dieser Rollen sind offen – und die Arbeit ist substanziell: Multi-Region GPU-Planung, Windows-Workloads auf Kubernetes, großangelegte Batch-Simulation und eine Unternehmensproduktstrategie, die erfordert, Teile der Art und Weise, wie wir bereitstellen und betreiben, neu zu überdenken.

Verantwortlichkeiten

• Infrastrukturverantwortung und Cloud-Betrieb.
• Entwurf, Aufbau und Wartung einer Multi-Region AWS-Infrastruktur mit Terraform.
• Betrieb und Skalierung von EKS-Clustern über Produktionsregionen: Autoscaling, Lebenszyklus von Knoten, Arbeitslastgesundheit.
• Verwaltung der Netzwerkinfrastruktur über verschiedene Umgebungen: VPC-Design, DNS, Lastenausgleich und regionale Konnektivität.
• Unterstützung von Infrastrukturänderungen, Migrationen und Erweiterungen in neue Regionen.
• Beitrag zu und Verbesserung von GitOps-basierten Bereitstellungsworkflows mit GitHub Actions, Helm und Kustomize.

Zuverlässigkeitsengineering und Vorfallreaktion.

• Hilfe beim Aufbau und Betrieb von Vorfallmanagementprozessen: Schweregraddefinitionen, Eskalationspfade, Bereitschaftspraktiken.
• Leitung der Vorfallreaktion, Debugging und Ursachenanalyse.
• Schreiben von Nachuntersuchungen und Förderung systemischer Zuverlässigkeitsverbesserungen.
• Verbesserung der Beobachtbarkeit über Metriken, Protokollierung, Nachverfolgung und Dashboards.
• Unterstützung von GPU- und Batch-Workloads, die auf Kubernetes laufen.

Sicherheit und Zugriffsmanagement.

• Bereitstellung von sicherheitsbewusstem Feedback zu Architekturentscheidungen der Plattform.
• Verantwortung für die Cloud IAM-Governance: Rollen, Richtlinien und Zugriffsgrenzen über Konten und Dienste.
• Leitung von Compliance-nahen Arbeiten, einschließlich Audit-Bereitschaft, Anforderungen an Partnerzertifizierungen und Unterstützung bei Antworten auf Sicherheitsfragen von Kunden.

Plattform-Tools und Entwicklererfahrung.

• Verbesserung von CI/CD-Pipelines und Infrastrukturvalidierung.
• Unterstützung von Ingenieuren bei der Fehlersuche in der Infrastruktur, der Einrichtung von Umgebungen und Leistungsproblemen.
• Beitrag zu Tools und Automatisierung in Python und Bash.
• Übernahme angrenzender Verantwortlichkeiten nach Bedarf in einer Startup-Umgebung.

Erforderliche Qualifikationen

• 5+ Jahre Erfahrung in SRE, DevOps oder Infrastrukturengineering-Rollen mit nachweislicher Erfolgsbilanz im Betrieb von Produktionssystemen über mehrere Regionen.
• Terraform: Module, Zustandsverwaltung und Multi-Umgebungsmuster.
• AWS-Tiefe: Solide Erfahrung in VPC, IAM, EKS, S3 und CloudWatch.
• Kubernetes-Expertise: Clusterbetrieb, Autoscaling, RBAC und Helm.
• CI/CD und GitOps: Erfahrung mit GitHub Actions, ArgoCD oder ähnlichen Workflows.
• Netzwerkgrundlagen: CIDR, DNS, Lastenausgleich, VPN und regionale Konnektivität.
• Beobachtbarkeit: Erfahrung mit Tools wie Prometheus und Grafana.
• Scripting: Vertrautheit mit Python und Bash für Tools und Automatisierung.
• Plattformübergreifende Vertrautheit: Praktisches Wissen über Linux- und Windows-Umgebungen. Operative Erfahrung in der Unterstützung von Windows-basierten Workloads ist ein bedeutender Vorteil.
• Pragmatismus und Verantwortung: Komfortabel in einem schnelllebigen Startup mit sich entwickelnden Prioritäten. Sie übernehmen Verantwortung für Systeme, während Sie eng mit anderen Teams zusammenarbeiten, und sind pragmatisch in Bezug auf Kompromisse zwischen Geschwindigkeit, Zuverlässigkeit und Komplexität.

Bevorzugte Qualifikationen

• Windows auf Kubernetes: Erfahrung mit Windows-Knotenpools, Windows AMIs und GPU-nahen Komponenten auf K8s.
• GPU-Planung: Vertrautheit mit der GPU-Planung auf Kubernetes, einschließlich der Konfiguration des NVIDIA-Geräteplugins.
• Domänen-Workloads: Erfahrung in der Unterstützung von Simulations-, ML- oder Rendering-Workloads in Cloud-Infrastrukturen.
• AWS-Extras: Einblick in AWS Storage Gateway, Active Directory-Integrationen oder AWS Transfer Family.
• Service Mesh: Vertrautheit mit Service-Proxy- oder Service-Mesh-Mustern.
• Container-OS: Erfahrung mit containeroptimierten OS-Images (z.B. Bottlerocket, Packer).
• Kostenoptimierung: Cloud-Kostenoptimierung im großen Maßstab.

Wichtige Werkzeuge

• Terraform
• AWS
• Kubernetes
• Helm
• Kustomize
• ArgoCD
• GitHub Actions
• Prometheus
• Grafana
• Docker
• Python
• Bash

Was einen großartigen Kandidaten ausmacht

Sie denken in Fehlerarten und bringen proaktiv Probleme zur Sprache. Sie haben eine prinzipielle Sicht auf Sicherheit und wehren sich konstruktiv, wenn Designs unnötige Risiken einführen. Sie kommunizieren klar über Engineering-, Produkt- und kundenorientierte Teams und kennzeichnen Probleme mit einer Dringlichkeit, die dem Kundenimpact angemessen ist. Sie übernehmen die Verantwortung für komplexe Bemühungen von Anfang bis Ende und wissen, wann es angebracht ist, für die saubere Lösung gegenüber der pragmatischen zu drängen.

Das Grundgehalt liegt im Bereich von CAD $145.000–$185.000, abhängig von Fähigkeiten, Qualifikationen und Erfahrungen, plus Eigenkapital, vollständige Gesundheits-/Zahn-/Sehversicherung, Lernstipendium und großzügigen Urlaub. Diese Rolle ist remote-freundlich in ganz Kanada und im US-Pazifischen Nordwesten.