SRE / Performance Engineer (GPU/AI направление)

Основная цель: обеспечение высокого уровня надёжности, производительности и управляемости GPU-решений Граус в промышленной эксплуатации за счёт проактивного мониторинга, управления мощностями и систематического анализа производительности.

Чем предстоит заниматься:

• Определение ключевых индикаторов уровня обслуживания (SLI) для GPU-решений;
• Формирование целевых уровней обслуживания (SLO) совместно с Заказчиками и Владельцем продукта;
• Мониторинг соблюдения SLO и подготовка отчётов по отклонениям;
• Анализ стоимости ошибок и принятие решений о допустимости рискованных изменений;
• Проектирование и настройка систем сбора метрик, логов и трейсов (Prometheus, Grafana, ELK/Loki и др.);
• Разработка процедур graceful degradation, failover и автоматического восстановления;
• Настройка алертинга по критическим событиям и деградациям производительности;
• Интеграция систем наблюдаемости с инцидент-менеджментом и эскалационными процедурами;
• Анализ рисков отказов и критических зависимостей в архитектуре GPU-стека;
• Участие в post-mortem анализе инцидентов и формирование списка мер по предотвращению повторений;
• Сбор и анализ данных о потреблении ресурсов в пилотах и промышленных инсталляциях;
• Подготовка рекомендаций по размерности кластеров и конфигурации для различных сценариев использования;
• Формирование требований к железу и сети для новых площадок;
• Определение критериев готовности релиза с точки зрения производительности и надёжности;
• Участие в пилотных проектах для сбора метрик реального использования;
• Подготовка отчетов по производительности и стабильности по итогам пилотов.

Для нас важно:

• Высшее образование (компьютерные науки, физика, инженерия или смежные области);
• Опыт в SRE, performance engineering или эксплуатации критичных систем не менее 4х лет;
• Практический навык с принципами SRE: SLI/SLO/SLA, error budget, incident management;
• Опыт работы с системами мониторинга и observability: Prometheus, Grafana, ELK/Loki, Jaeger/Tempo;
• Опыт в нагрузочном тестирование: методы, инструменты, интерпретация результатов;
• Понимание GPU-архитектуры и метрик производительности: utilization, memory bandwidth, PCIe throughput, thermal throttling;
• Опыт с Linux performance tuning, kernel parameters, сетевой оптимизацией;
• Наличие опыта с Capacity planning, прогнозированием ресурсов, анализом трендов;
• Желательно понимание требований по лицензированию ПО и работе с проприетарными драйверами;
• Готовность работать на территории РФ.