Должность: Старший директор, инжиниринг сетевой надежности
Местоположение: Офис в Белвью / Гибридный формат
Компенсация: $399 000 - $531 000 в год
Lambda, The Superintelligence Cloud, является лидером в области облачной инфраструктуры для ИИ, обслуживая десятки тысяч клиентов. Наши клиенты — от исследователей ИИ до крупных предприятий и гиперскейлеров. Миссия Lambda — сделать вычисления такими же повсеместными, как электричество, и дать каждому силу супер интеллекта. Один человек, один GPU.
Если вы хотите построить лучший в мире облачный сервис для ИИ, присоединяйтесь к нам.
*Примечание: Эта должность требует присутствия в нашем офисе в Белвью или Сан-Франциско 4 дня в неделю; назначенный Lambda день работы из дома в настоящее время — вторник.
Lambda, The Superintelligence Cloud, является лидером в области облачной инфраструктуры для ИИ, обслуживая десятки тысяч клиентов. Наши клиенты — от исследователей ИИ до крупных предприятий и гиперскейлеров. Миссия Lambda — сделать вычисления такими же повсеместными, как электричество, и дать каждому силу супер интеллекта. Один человек, один GPU.
Каждая рабочая нагрузка клиентов на Lambda зависит от сети, от эксперимента с одним GPU до процесса обучения, охватывающего тысячи GPU. Когда оптический кабель деградирует, соединение выходит из строя или падает коммутатор, клиенты ощущают это как остановленные задания, перезапуски и потерянное время вычислений. Мы будем безупречно эксплуатировать существующую сеть для всех клиентских рабочих нагрузок, одновременно переосмысливая, как обнаруживать и устранять сбои, и автоматизацию, лежащую в основе всего этого.
Lambda выросла в 10 раз за последние три года, и организация сетевого инжиниринга масштабируется соответственно. Мы ищем Старшего директора по инжинирингу сетевой надежности, который будет отвечать за здоровье этой сети от начала до конца: операции по устранению неисправностей, которые восстанавливают обслуживание сегодня, и программное обеспечение, которое автоматически обнаруживает, изолирует и исправляет сбои, чтобы большинство из них никогда не доходило до человека или клиента.
Вы будете руководить организацией, охватывающей SRE и инжиниринг автоматизации сети, управление инцидентами и координацию устранения неисправностей с нашими командами центров обработки данных. Мы ищем опытного лидера лидеров, который рассматривает каждый повторяющийся сбой как программную проблему, измеряет надежность и стремится к самовосстанавливающейся сети, где обнаружение, диагностика и исправление работают как автоматизированные замкнутые циклы. Вы наймете и будете развивать талантливую команду инженеров, обладающих глубокими знаниями в области программного обеспечения и сетей, формировать культуру команды и сотрудничать с техническим руководством, чтобы надежность опережала наши амбиции по масштабированию.
Эта роль будет подчиняться вице-президенту по сетевым технологиям Cloud и AI, работая в тесном сотрудничестве с высококвалифицированной и увлеченной командой инженеров. Если вы хотите присоединиться к отличной команде инженеров, ориентированных на клиентов, создающих лучший в мире облачный сервис для ИИ, присоединяйтесь к нам.
Что вы будете делать
- Отвечать за надежность сети Lambda от начала до конца, от вычислительных фабрик GPU до центров обработки данных, магистральных и периферийных сетей, а также нести ответственность за доступность, время обнаружения и время восстановления.
- Управлять операциями по устранению неисправностей в масштабе: обнаружение неисправностей, сортировка, замена оборудования и RMA, устранение проблем с оптическими кабелями и кабелями, а также координация с операциями центров обработки данных и партнерами по удаленному обслуживанию в растущем парке центров обработки данных.
- Руководить программой операционного превосходства сети и управления инцидентами, включая дежурства, командный центр инцидентов, пути эскалации, общение с клиентами и постмортемы без вины, которые приводят к исправлениям в инжиниринге.
- Определять многолетнюю стратегию самовосстанавливающейся сети: автоматизированные циклы, которые обнаруживают и изолируют неисправные компоненты, перенаправляют трафик, сливают и восстанавливают емкость, а также открывают работы по ремонту без вмешательства человека.
- Преобразовывать ручную работу по устранению неисправностей в долгосрочное программное обеспечение. Цель — самовосстанавливающаяся сеть, а не более быстрый набор инструкций. Измерять трудоемкость, устанавливать цели по ее снижению и отслеживать долю сбоев, устраняемых автоматически, как основной результат вашей организации.
- Определять сетевые SLO и бюджеты ошибок совместно с командами по продуктам и клиентам и использовать их для приоритизации работ по обеспечению надежности по сравнению с работами по функциям и емкости.
- Создавать автоматизацию, которой можно безопасно доверять, с ограничениями радиуса поражения, поэтапными развертываниями, журналами аудита и возможностью отката для каждого автоматизированного действия, включая помощь ИИ в сортировке и исправлении.
- Отвечать за операционный уровень вашей организации: как инциденты обнаруживаются, обрабатываются, рецензируются, измеряются и извлекаются уроки.
- Строить и руководить организацией, которая это обеспечивает: нанимать, развивать и удерживать инженеров и лидеров, которые ими управляют, а также проектировать структуру команды по мере роста сети и организации.
- Управлять через руководителей и старших индивидуальных контрибьюторов, развивая обоих, с регулярными 1:1 встречами, четкой обратной связью по производительности, планированием роста и поддержкой значимой работы.
- Сотрудничать с Network Engineering, Network Capacity Automation, Software и Principal Engineers, чтобы требования к надежности закладывались с самого начала, а данные о сбоях влияли на архитектуру, оборудование и решения по выбору поставщиков.
- Сотрудничать с Data Center Operations, Supply Chain и поставщиками по стратегии запасных частей, срокам RMA и тенденциям отказов оборудования.
- Представлять работу вашей организации, метрики надежности и техническое направление высшему руководству, а также корпоративным клиентам и партнерам во время крупных инцидентов и обзоров.
- Вносить вклад в общеорганизационные улучшения инженерных процессов: как мы планируем, как мы выпускаем, как мы учимся на инцидентах.
Вы
- Имеете 8+ лет опыта управления инжинирингом, включая управление менеджерами и непосредственное управление старшими индивидуальными контрибьюторами.
- Имеете подтвержденный опыт руководства организациями SRE, сетевой надежности или производственных операций для крупномасштабных облачных сетей или сетей центров обработки данных с требованиями круглосуточной доступности 24x7.
- Имеете опыт работы в области сетевого или программного инжиниринга. Вы выпускали производственные системы и можете авторитетно участвовать в обсуждении архитектуры, технических компромиссов и качества кода.
- Измеримо сократили трудоемкость и влияние инцидентов за счет автоматизации и можете предоставить данные, такие как сокращение времени восстановления или увеличение доли инцидентов, устраняемых автоматически.
- Знакомы с проектированием, созданием, масштабированием и эксплуатацией крупномасштабных сетей, включая маршрутизацию (BGP), фабрики leaf-spine, режимы отказа оптики и оборудования, а также сетевую телеметрию и мониторинг.
- Имеете опыт создания систем замкнутого контура или событийно-ориентированных систем исправления, а также средств обеспечения безопасности, которые предотвращают возникновение инцидентов из-за автоматизации.
- Имеете опыт управления инцидентами в масштабе: командный центр инцидентов, культура постмортемов без вины и преобразование уроков в инженерную работу, которая выпускается.
- Продвигаете организации, основанные на данных, автоматизации и высокой скорости.
- Имеете опыт построения высокопроизводительных команд в быстро меняющихся, технически сложных условиях.
- Умеете преобразовывать неоднозначные бизнес- и продуктовые цели в четкие командные приоритеты и выполнимые инженерные планы.
- Проявляете здравое суждение относительно того, когда углубляться в технические детали, когда делегировать, а когда эскалировать.
- Сохраняете спокойствие и решительность во время крупных инцидентов, и четко общаетесь с клиентами и руководством во время их протекания.
- Отличный устный и письменный коммуникатор. Вы используете высококачественные письменные материалы для принятия качественных решений и получения одобрения по проблемам и возможностям решений.
Приветствуется
- Опыт работы в сфере GPU-облаков, HPC или инфраструктуры AI/ML.
- Опыт эксплуатации фабрик InfiniBand или RoCE в масштабе и понимание того, как сетевые сбои влияют на распределенные задания обучения.
- Опыт применения инструментов ML или LLM в операциях, таких как обнаружение аномалий, корреляция оповещений, автоматизированная сортировка или анализ первопричин.
- Опыт работы с потоковой сетевой телеметрией в масштабе (gNMI, OpenConfig или аналогичные).
Информация о диапазоне заработной платы
Годовой диапазон заработной платы для этой должности установлен на основе рыночных данных и других факторов. Однако заработная плата выше или ниже этого диапазона может быть соответствующей для кандидата, чья квалификация существенно отличается от перечисленной в описании вакансии.
О Lambda
- Основана в 2012 году, более 500 сотрудников, быстро растет.
- Среди наших инвесторов: TWG Global, US Innovative Technology Fund (USIT), Andra Capital, SGW, Andrej Karpathy, ARK Invest, Fincadia Advisors, G Squared, In-Q-Tel (IQT), KHK & Partners, NVIDIA, Pegatron, Supermicro, Wistron, Wiwynn, Gradient Ventures, Mercato Partners, SVB, 1517 и Crescent Cove.
- Наши исследовательские работы приняты на ведущих конференциях по машинному обучению и графике, включая NeurIPS, ICCV, SIGGRAPH и TOG.
- Наши ценности общедоступны:
- Мы предлагаем щедрую компенсацию наличными и акциями.
- Медицинское, стоматологическое и офтальмологическое страхование для вас и ваших иждивенцев.
- Стипендии на оздоровление и транспорт для отдельных должностей.
- План 401k с 2% соответствием компании (для сотрудников из США).
- Гибкий план оплачиваемого отпуска, которым мы все действительно пользуемся.
Работодатель, предоставляющий равные возможности
Lambda является работодателем, предоставляющим равные возможности. Кандидаты рассматриваются независимо от расы, цвета кожи, религии, убеждений, национального происхождения, возраста, пола, семейного положения, сексуальной ориентации и идентичности, генетической информации, статуса ветерана, гражданства или любых других факторов, запрещенных местным, государственным или федеральным законодательством.
