Руководитель направления автоматизации и повышения надежности

Команда Cloud Reliability Engineering (CRE) проводит для корпоративных и государственных клиентов Cloud.ru платные аудиты информационных систем (ИС), размещённых на платформе Evolution Stack, и помогает им повышать доступность и отказоустойчивость этих систем.

Руководитель направления отвечает за весь цикл работы с клиентом: технический аудит архитектуры и деплоя ИС, многоуровневую оценку SLA, разработку и защиту плана повышения надёжности, построение мониторинга и раннего оповещения, а также совместную с клиентом и коллегами из облака реализацию изменений. Роль сочетает глубокую SRE-экспертизу, управление командой инженеров и прямую работу с руководством клиента (уровень CTO/CIO).

Обязанности:

• Аудит информационных систем клиентов, размещённых на платформе Evolution Stack: анализ архитектуры, схемы деплоя, эксплуатационных практик;
• Многоуровневая оценка текущего уровня SLA (приложение, инфраструктура, сеть, процессы) и выявление пробелов в надёжности;
• Разработка плана повышения SLA до целевого уровня — включая задачи по изменению архитектуры ИС и задачи по изменению деплоя, инфраструктуры и мониторинга (DevOps-трек);
• Определение SLO/SLI для критичных сервисов клиента;
• Проектирование и внедрение дашбордов мониторинга доступности ИС и раннего оповещения о возможных сбоях;
• Презентация и защита плана повышения надёжности перед руководством клиента, согласование скоупа, сроков и ресурсов;
• Реализация плана совместно с командой клиента и инженерами (архитекторами, инженерами внедрения, DevOps-инженерами);
• Участие в разборе крупных инцидентов, контроль выполнения корректирующих мер;
• Формирование, развитие и операционное управление командой SRE-инженеров: найм, менторство, распределение нагрузки, развитие экспертизы;
• Разработка и стандартизация методологии аудита и повышения надёжности (чек-листы, playbook'и, шаблоны Production Readiness Review) для тиражирования;
• Участие в presales-активностях: оценка технической реализуемости SLA-обязательств и рисков на этапе продажи;
• Взаимодействие с продуктовыми и инженерными командами Evolution Stack по вопросам платформенной надёжности, влияющей на SLA клиентов;
• Регулярная отчётность перед руководством по портфелю SLA-контрактов, статусу проектов повышения надёжности и рискам.

Требования:

• Опыт работы в SRE / DevOps / эксплуатации высоконагруженных систем от 5 лет, из них от 2 лет — на позиции тимлида или руководителя команды;
• Опыт управления командой (в среднем от 3 человек);Практический опыт определения и внедрения SLA/SLO/SLI и многоуровневого анализа доступности;
• Опыт построения и эксплуатации observability-стека: Prometheus/Grafana/Zabbix/VictoriaMetrics, ELK/OpenSearch, системы алертинга (Alertmanager, PagerDuty/Opsgenie);
• Опыт incident management: разбор инцидентов, постмортемы, root-cause analysis, контроль выполнения corrective actions;
• Понимание и опыт применения паттернов отказоустойчивой архитектуры: multi-AZ/failover, балансировка нагрузки, circuit breaker, disaster recovery (RTO/RPO);
• Опыт работы с Kubernetes, Terraform/Ansible, CI/CD (GitLab CI/Jenkins/TeamCity), понимание принципов GitOps;
• Уверенное владение Linux (администрирование, диагностика);
• Знание хотя бы одного языка программирования продакшн-уровня (Go/Python/Java) — для автоматизации и написания инструментов;
• Опыт работы с распределёнными системами и микросервисной архитектурой;
• Развитые навыки коммуникации с заказчиком: презентация и защита технических планов перед руководством клиента, ведение переговоров, управление ожиданиями;
• Опыт работы с крупными коммерческими и государственными заказчиками, знание требований к отказоустойчивости в регулируемых отраслях.