Principal Site Reliability Engineer

Мы ищем Principal Site Reliability Engineer для нашей команды Site Reliability & Infrastructure Engineering. Мы полностью работаем в облаке, и эта команда отвечает за производственный интеллект, надёжность и автоматизацию операций — переходя от реактивного реагирования на инциденты к системам, которые наблюдают, коррелируют, рассуждают и действуют. Мы создаём следующее поколение SRE: не панели мониторинга и runbook'и, а агенты и автоматизация, которые делают нашу платформу самосознающей и самовосстанавливающейся в масштабе.

На уровне Principal вы будете не просто эксплуатировать платформу — вы определите, как мы будем думать о надёжности во всей инженерной организации. Вы зададите техническое направление, установите стандарты и станете тем человеком, к которому обращаются другие инженеры, когда нужно решить самые сложные инфраструктурные задачи.

• Определить техническое видение и долгосрочную архитектуру платформы надёжности и инфраструктуры ServiceTitan — установить стандарт того, как мы работаем в масштабе.
• Руководить проектированием и реализацией крупных инициатив платформы: инфраструктура Kubernetes, фреймворки наблюдаемости, программы SLO и системы управления инцидентами.
• Сотрудничать с Engineering Managers, Staff Engineers и руководством продуктовой инженерии для обзора архитектурных и инфраструктурных решений до их выпуска — и поддерживать планку нефункциональных требований по всей организации.
• Выявлять системные риски надёжности до того, как они превратятся в инциденты, и вести их устранение в командах с организационным воздействием.
• Определять и внедрять SLIs, SLOs и бюджеты ошибок на платформе ServiceTitan — не только в команде SRE, но как стандарт, который принимает каждая инженерная команда.
• Продвигать лучшие практики надёжности и наблюдаемости в инженерии — через документацию, обзоры дизайна и прямое сотрудничество с продуктовыми командами.
• Проектировать и создавать AI‑поддерживаемые операционные системы — агентов, которые коррелируют производительные телеметрические данные, диагностируют паттерны отказов, рекомендуют или выполняют исправления и безопасно участвуют в решениях о развертывании. Перенести рутинные расследования и триаж с людей на автоматизацию, сохраняя человеческое суждение для высокорисковых изменений.
• Сотрудничать с Infrastructure Engineering по безопасности развертываний — прогрессивная доставка, canary‑анализ и AI‑поддерживаемые решения о продвижении, отвечающие вопросу «достаточно ли производственных доказательств для продолжения развертывания?», а не только «завершилось ли развертывание?».
• Наставлять Staff и Senior SRE, повышая технический потолок команды через ревью кода, обратную связь по архитектуре и парное программирование над сложными задачами.
• Вносить вклад в технический уровень найма — участвовать в интервью по системному дизайну и помогать определять, как выглядит уровень Principal в ServiceTitan.

• Kubernetes (must-have): глубокое, экспертное понимание Kubernetes как системы — не только операции, но и внутреннее устройство, режимы отказов, планирование ёмкости и управление кластерами в большом масштабе.
• Принципы SRE: подтверждённый опыт определения и внедрения SLIs, SLOs и бюджетов ошибок в инженерной организации — способность рассказать, как вы продвигали их принятие, а не только как реализовали их в своей команде.
• Наблюдаемость в масштабе: глубокая экспертиза современного стека наблюдаемости (OpenTelemetry, Prometheus, Grafana, Datadog или Elasticsearch) и способность проектировать фреймворки наблюдаемости, работающие на уровне всей организации, а не только для отдельного сервиса.
• Облачная инженерия и сетевые технологии: экспертные знания в AWS, GCP или Azure — включая основы сетей, безопасность и оптимизацию затрат в масштабе.
• Глубина в распределённых системах: умение рассуждать о сложных режимах отказов (штормы повторных запросов, каскадные отказы, «thundering herd», распространение таймаутов) и проектировать системы, которые деградируют грациозно под нагрузкой.
• Управление инцидентами: опыт руководства крупными реакциями на инциденты, проведения безвиновных постмортемов и внедрения системных исправлений — а не только решения отдельных инцидентов.
• CI/CD и безопасность доставки: глубокий опыт работы с системами CI/CD, прогрессивной доставкой и способности улучшать надёжность и безопасность конвейеров в масштабе организации.
• AI в операциях: опыт создания или внедрения AI‑поддерживаемых операционных возможностей в продакшн — автоматизированные расследования, корреляция аномалий, агенты исправления или системы безопасности развертываний. Мы не ищем прототипы с хакатонов; нам нужны инженеры, которые выпустили AI‑инструменты, от которых зависят производственные системы.
• 12+ лет релевантного практического опыта с чёткой историей технического лидерства в сложных, межкомандных инфраструктурных инициативах в продуктовых компаниях, работающих в масштабе.

Мы используем технологии, включая автоматизированные и AI‑поддерживаемые инструменты, для поддержки некоторых аспектов нашего процесса найма. Эти инструменты предназначены для повышения эффективности и улучшения опыта кандидатов. Инструменты AI не используются для принятия решений о найме; все решения о найме принимаются нашими командами по найму.

В ServiceTitan мы ценим индивидуальность и уникальность. Мы считаем, что сочетание свежих точек зрения и опыта людей из разных слоёв общества делает наш продукт и культуру замечательными. Мы не дискриминируем сотрудников по расе, цвету кожи, религии, полу, национальному происхождению, гендерной идентичности или выражению, возрасту, инвалидности, сексуальной ориентации или любой другой характеристике, защищённой применимыми законами.