En un coup d'œil
- Missions: Assurer la fiabilité des infrastructures cloud à grande échelle et optimiser les performances des GPU.
- Entreprise: NVIDIA, leader en technologie de pointe avec une culture d'innovation.
- Avantages: Salaire compétitif, avantages santé, travail à distance et développement professionnel.
- Autres infos: Opportunités de croissance de carrière dans un environnement technologique stimulant.
- Pourquoi ce job: Rejoignez une équipe dynamique et impactez l'avenir de l'infrastructure cloud.
- Qualifications: Expérience en ingénierie de fiabilité et opérations d'infrastructure à grande échelle.
Le salaire estimé est compris entre 61650 - 75350 € par an.
NVIDIA recherche un ingénieur de fiabilité Site Day 2 pour rejoindre l'équipe des opérations Day 1 / Day 2 de NVIDIA Cloud Partner (NCP) en EMEA. Les flottes NCP en EMEA se développent vers un million de GPU déployés, et ce rôle existe pour maintenir ces flottes en fonctionnement à un bon niveau de performance une fois en production — en prenant en charge la détection et la remédiation des pannes, la maintenance préventive et le déploiement proactif de firmware et d'avis sur le terrain à travers les infrastructures partenaires.
Nous recherchons un ingénieur de fiabilité pratique qui pense en termes de SLO, de budgets d'erreur et de zones d'impact plutôt qu'en tickets. Vous mesurerez et améliorerez le MTBI et la performance des tâches sur des clusters de plusieurs milliers de GPU, automatiserez le cycle de détection à remédiation, et travaillerez directement avec les équipes d'opérations NCP, NVEX et TAM pour examiner les incidents et les escalades et transformer chacun d'eux en solution permanente.
Les infrastructures NCP sont axées sur l'open-source, développées en interne et hétérogènes — Kubernetes en amont, KubeVirt, Slurm, Prometheus/Grafana, Cumulus/SONiC et une longue liste d'outils ISV et internes — donc ce rôle est délibérément agnostique en matière d'outils : vous rencontrerez chaque partenaire sur la pile qu'ils utilisent réellement plutôt que sur un produit propriétaire unique, et vous veillerez à ce que la capacité GPU génère des revenus au lieu de coûter cher en support réactif.
Ce que vous ferez :
- Posséder la stabilité et la fiabilité de la production Day 2 à l'échelle des flottes à travers les partenaires NCP en EMEA : définir, mesurer et améliorer le MTBI et la performance des tâches sur des clusters de plusieurs milliers de GPU, et gérer le budget d'erreur pour les plateformes que vous soutenez.
- Construire et faire fonctionner le cycle de détection des pannes à la remédiation — signatures de pannes GPU, nœud, fabric et stockage, triage automatisé, drainage de nœuds, cordon, réinitialisation et workflows de retour au service — afin que les pannes soient détectées et résolues avant qu'elles ne coûtent des tâches d'entraînement.
- Exécuter des campagnes de maintenance préventive et de déploiement proactif de firmware et d'avis sur le terrain à travers les flottes partenaires (par exemple, niveaux de firmware CPLD et switch), y compris l'évaluation des risques, le déploiement par étapes, la planification des fenêtres de maintenance et la vérification à grande échelle.
- Posséder les outils d'observabilité et de fiabilité pour les flottes GPU : Prometheus/Grafana/Loki, diagnostics DCGM et XID, agents de santé au niveau des nœuds tels que GPUd et NVSentinel, et intelligence de fiabilité à l'échelle de la flotte — en les étendant ou en les intégrant dans la propre pile développée en interne du partenaire.
- Diriger la réponse aux incidents et l'examen post-incident en collaboration avec les équipes d'opérations NVEX, TAM et partenaires : conduire l'analyse des causes profondes sur les escalades, suivre les actions correctives jusqu'à leur clôture, et convertir chaque incident récurrent en automatisation, vérification de santé ou manuel d'exploitation.
- Posséder le cycle de vie des nœuds Kubernetes et l'ingénierie de fiabilité sur des piles ouvertes hétérogènes — Kubernetes en amont, KubeVirt, Slurm et planificateurs sensibles aux GPU — couvrant la politique de santé des nœuds, l'orchestration des mises à jour et des redémarrages, et le drainage sécurisé des charges de travail sur des nœuds accélérés par GPU.
Ce que nous avons besoin de voir :
- BS/MS/PhD en informatique, ingénierie électrique/informatique, physique, mathématiques ou domaines connexes, ou expérience équivalente.
- Plus de 8 ans d'expérience en SRE, ingénierie de production ou rôles d'opérations d'infrastructure à grande échelle.
- Pratique de l'ingénierie de fiabilité : propriété démontrée de la fiabilité de production à grande échelle — définition de SLO et de budget d'erreur, commandement d'incidents, examen post-incident sans blâme, et amélioration mesurable de la disponibilité ou du temps moyen entre interruptions.
- Opérations de flotte GPU & HPC : expérience pratique dans l'exploitation de clusters HPC/IA et d'infrastructure accélérée par GPU — cycle de vie des pilotes et du kit d'outils CUDA, gestion du firmware, profilage des charges de travail et dépannage à travers les CPU, GPU et interconnexions à haute vitesse.
- Kubernetes à grande échelle : expertise approfondie dans l'exécution de Kubernetes dans des environnements accélérés par GPU et HPC — cycle de vie des nœuds, mises à jour et drainage, comportement du planificateur, planificateurs par lots tels que Slurm, et estates multi-locataires mixtes bare-metal/virtualisés (par exemple, KubeVirt).
- Observabilité & Automatisation : maîtrise de Python et Bash, Infrastructure-as-Code et gestion de configuration (par exemple, Ansible, Terraform), gestion du cycle de vie de la flotte et des mises à jour basées sur GitOps, et piles d'observabilité (Prometheus, Grafana, Loki) pour la surveillance, l'alerte et la construction de systèmes tolérants aux pannes.
- Fondamentaux Linux, stockage & réseau : connaissance approfondie de Linux (RedHat, Ubuntu), réglage et sécurité au niveau du système d'exploitation, fondamentaux du réseau de centre de données, et stockage parallèle/entreprise (Lustre, GPFS, ZFS, XFS) en tant qu'éléments affectant la stabilité du cluster.
Façons de se démarquer :
- Expérience dans la définition et l'exécution de campagnes proactives de déploiement de firmware, de microcode ou d'avis sur le terrain à travers une grande flotte de production.
- Familiarité avec les outils de télémétrie de santé et de flotte GPU — diagnostics DCGM et XID, GPUd, NVSentinel, agents de santé au niveau des nœuds et intelligence de fiabilité à l'échelle de la flotte.
- Expérience avec les opérateurs GPU et réseau NVIDIA pour la gestion automatisée du cycle de vie des ressources GPU et réseau dans Kubernetes, et avec NVIDIA Base Command Manager (BCM) pour le provisionnement et la surveillance des clusters GPU à grande échelle.
- Connaissance pratique des cadres de planification et d'inférence natifs à l'IA sur Kubernetes (par exemple, KAI, Grove, Dynamo, NVIDIA Cloud Functions) et de leurs modes de défaillance sous charge.
- Expertise dans les fabrics basés sur RDMA (InfiniBand ou RoCE) dans des environnements HPC ou IA. Une exposition à Cumulus Linux, SONiC ou Spectrum-X fabrics, services d'infrastructure DPU/DOCA, et opérations de partition NVLink/NVSwitch (NMX-C / NMX-M) sur des systèmes de classe NVL72 est un atout important.
Senior Cloud Infrastructure and Reliability Solutions Architect employeur : NVIDIA Corporation
NVIDIA Corporation est un employeur de choix, offrant un environnement dynamique et innovant pour les gestionnaires de comptes. Située en France, l'entreprise favorise une culture de collaboration où les employés peuvent s'épanouir grâce à des opportunités de croissance professionnelle et à des projets significatifs dans le domaine de l'IA. Avec des avantages compétitifs et un engagement envers le développement personnel, travailler chez NVIDIA signifie faire partie d'une équipe qui façonne l'avenir de la technologie.
Conseils d'expert StudySmarter🤫
Voici comment nous pensons que tu pourrais décrocher Senior Cloud Infrastructure and Reliability Solutions Architect
✨Participe à des meetups tech
Les meetups et les hackathons sont des super occasions pour rencontrer des gens du milieu de l'ingénierie et du développement logiciel. C'est là que tu peux échanger des idées, découvrir des projets et même te faire repérer par des recruteurs comme ceux de NVIDIA Corporation.
✨Contribue à des projets open-source
Ne sous-estime pas le pouvoir des contributions open-source. En proposant tes compétences sur des plateformes comme GitHub, tu peux non seulement améliorer ton portfolio, mais aussi prouver ta capacité à travailler en équipe. Ça pourrait faire toute la différence dans ta candidature chez NVIDIA Corporation.
✨Réseau sur LinkedIn, mais avec du contenu
Sur LinkedIn, partage du contenu lié à tes projets ou tes réflexions sur les tendances technologiques. Cela peut attirer l'attention de recruteurs et de professionnels du secteur. Qui sait, peut-être que quelqu'un de NVIDIA Corporation remarquera tes posts et te contactera pour un entretien !
✨Postule directement via notre site
N’oublie pas que postuler sur le site de NVIDIA Corporation est souvent le moyen le plus direct et efficace d'attirer l'attention. Sois proactif et n'hésite pas à postuler même si tu n'as pas tous les critères d'une offre : montrer ton enthousiasme peut faire toute la différence !
Nous pensons qu'il te faut ces compétences pour exceller en tant que Senior Cloud Infrastructure and Reliability Solutions Architect
Quelques conseils pour ta candidature 🫡
Montre tes compétences techniques:Dans le secteur de l'ingénierie et développement logiciel, il est crucial de mettre en avant tes compétences techniques dans ton CV. Mentionne ton expérience avec des langages de programmation spécifiques, des frameworks, ou des projets antérieurs. N'hésite pas à intégrer des liens vers ton GitHub ou des projets personnels pour donner vie à ton profil !
Personnalise ta lettre de motivation:Avec un poste à temps plein, ta lettre de motivation doit refléter ta passion pour le développement logiciel. Explique pourquoi tu souhaites rejoindre NVIDIA Corporation et comment tu peux contribuer à leurs projets. Parle aussi de ton intérêt à apprendre et à évoluer au sein de l'équipe.
Démontre ta capacité à travailler en équipe:Les projets de développement logiciel sont souvent le fruit d'un travail collaboratif. Mets en avant dans ton CV des expériences où tu as fait partie d’une équipe, que ce soit dans des stages, des projets universitaires ou des contributions open-source. Les soft skills, ça compte aussi !
Sois clair sur tes attentes:Dans ta candidature pour un poste à temps plein, n'hésite pas à mentionner tes attentes concernant le rôle et la culture d'entreprise. Dis-nous ce qui est important pour toi, que ce soit les technologies utilisées ou l'environnement de travail, pour que NVIDIA Corporation sache que tu es sérieux dans ta démarche et que tu es motivé pour un engagement à long terme.
Comment te préparer à un entretien d'embauche chez NVIDIA Corporation
✨Maîtrise des langages de programmation
Pour un poste en ingénierie et développement logiciel chez NVIDIA Corporation, assure-toi de bien maîtriser les principaux langages demandés dans l'annonce. Prépare-toi à répondre à des questions techniques sur des projets que tu as réalisés ou même à coder en direct lors de l'entretien. Montre que tu sais comment résoudre des problèmes en temps réel !
✨Prépare ton portfolio technique
N'oublie pas d'apporter ton portfolio, surtout si tu as des projets de développement logiciel que tu peux montrer. C'est toujours un plus de pouvoir parler de ton expérience concrète et des challenges que tu as surmontés lors de tes projets précédents. Ça peut vraiment faire la différence chez NVIDIA Corporation !
✨Compréhension des méthodologies agiles
Dans notre domaine, on utilise souvent des méthodologies agiles. Sois prêt à discuter de ton expérience avec des frameworks tels que Scrum ou Kanban. Explique comment tu as travaillé en équipe et comment cela a impacté tes projets précédents. Cela montrera ta capacité à t'adapter rapidement au sein d'équipes dynamiques.
✨Sois prêt pour des mises en situation
Attends-toi à des questions comportementales où tu devras prouver ta capacité à gérer des situations stressantes, comme des délais serrés ou des conflits au sein de l'équipe. Prépare quelques anecdotes précises sur ces expériences, car chez NVIDIA Corporation, ils rechercheront des candidats réactifs et capables de travailler sous pression.
