Senior Site Reliability Engineer — Token Factory (Inference Platform)

В этой роли вы будете отвечать за надёжность, производительность и наблюдаемость всего стека инференса. Ваш день начинается с проектирования и уточнения телеметрических конвейеров — метрик, логов и трассировок, которые превращают сотни терабайт сигналов в чёткое, практическое понимание. Затем вы можете настраивать автоскейлеры Kubernetes, чтобы извлечь большую эффективность из GPU, создавать модули Terraform, внедряющие устойчивость в каждый новый кластер, или укреплять нашу логику маршрутизации запросов и повторных попыток, чтобы даже кратковременные сбои оставались незамеченными пользователями. Когда возникают инциденты, вы будете полагаться на автоматизацию и runbook‑и, которые помогли создать, чтобы обнаруживать, изолировать и устранять проблемы за считанные минуты, а также продвигать культуру постмортемов, предотвращающую их повторение.

В этой роли вы будете отвечать за надёжность, производительность и наблюдаемость всего стека инференса. Ваш день начинается с проектирования и уточнения телеметрических конвейеров — метрик, логов и трассировок, которые превращают сотни терабайт сигналов в чёткое, практическое понимание. Затем вы можете настраивать автоскейлеры Kubernetes, чтобы извлечь большую эффективность из GPU, создавать модули Terraform, внедряющие устойчивость в каждый новый кластер, или укреплять нашу логику маршрутизации запросов и повторных попыток, чтобы даже кратковременные сбои оставались незамеченными пользователями. Когда возникают инциденты, вы будете полагаться на автоматизацию и runbook‑и, которые помогли создать, чтобы обнаруживать, изолировать и устранять проблемы за считанные минуты, а также продвигать культуру постмортемов, предотвращающую их повторение.

Для успешного выполнения роли требуется глубокое владение Kubernetes, Prometheus, Grafana, Terraform и практикой инфраструктуры как кода. Вы уверенно пишете скрипты на Python или Bash, понимаете нюансы проектирования оповещений и SLO для высокопроизводительных API, а также провели достаточно времени в продакшн, чтобы знать, как распределённые бэкенды могут падать в реальном мире. Опыт работы с тяжёлыми GPU‑нагрузками — будь то vLLM, Triton, Ray или другой стек ускорителей — будет преимуществом, как и опыт в MLOps или платформах хостинга моделей. Прежде всего, вам важно создавать самовосстанавливающиеся системы, вы получаете удовольствие от отладки производительности от ядра до уровня приложений и любите сотрудничать с разработчиками программного обеспечения, превращая надёжность в функцию, о которой пользователи никогда не задумываются.

• Конкурентоспособная компенсация

• Возможности карьерного роста и обучения

• Гибкость и возможность влиять на процесс

• Коллаборативная и инновационная культура

• Возможность работать над значимыми AI‑проектами

• Международная среда и талантливые команды