Ведущий инженер инфраструктуры (Principal Infrastructure Engineer)

Что предстоит делать

##### О клиенте Клиент строит и эксплуатирует облачную инфраструктуру GPU в масштабах, необходимых современному ИИ. Мы запускаем плотные кластеры ускоренных вычислений на bare metal, работающие на ускорителях NVIDIA и AMD и K8s, объединенные высокопроизводительными сетями Ethernet и InfiniBand, и предоставляем их клиентам как надежные, безопасные и высокопроизводительные платформы. Мы быстро масштабируемся на новых площадках дата-центров, и команда инфраструктуры находится в центре этого роста, создавая системы, которые превращают стойки с оборудованием в продукт, на который полагаются клиенты. ##### Роль Мы ищем Principal Infrastructure Engineer для создания основы нашей платформы облачного v2 нового поколения (greenfield): подсистемы bare-metal provisioning и control-plane, которые превращают новые стойки с GPU-оборудованием в надежную, безопасную и готовую к использованию клиентами мощность. Это практическая роль, ориентированная на разработку, и самая старшая индивидуальная роль в разработке платформы. Вы будете отвечать за рекомендацию и принятие решения по инфраструктурному слою (в настоящее время мы проводим POC с разными вендорами) и за решение "строить или покупать", которое с этим связано, а наш Cloud Platform Architect будет проверять его на прочность. Вы будете руководить интеграцией с другими доменами и определять, как инфраструктура шаблонизируется, разделяется между арендаторами и передается клиентам. Вы будете определять архитектуру и стандарты, по которым будет работать остальная команда, при этом сами оставаясь глубоко в коде. Ежедневные операции — не ваша задача, ваша задача — правильно спроектировать и построить платформу. Вы будете работать в центре развертывания новых кластеров и новых площадок, тесно сотрудничая с нашими инженерами по сетям, SRE и безопасности. Они отвечают за сетевую инфраструктуру и ежедневные операции; вы отвечаете за то, чтобы платформа была построена правильно. Поскольку системы, которые вы проектируете, становятся основой, на которой работают клиентские нагрузки GPU, правильность архитектуры и автоматизации с первого раза здесь важнее, чем почти где-либо еще. ##### Что вы будете делать • **Архитектура платформы и техническое направление:** отвечать за архитектуру control-plane и слоя оркестрации облачной платформы для новых GPU-кластеров, принимая фундаментальные решения и устанавливая технические стандарты, на которых строится остальная часть платформы. • **Автоматизация bare-metal provisioning:** построить автоматизированный конвейер, который переводит узел от передачи "из коробки в стойку" до полностью настроенного, с реальными приемочными шлюзами, прежде чем узел будет помечен как готовый к использованию клиентом: прошивка по квалифицированному рецепту, прожиг GPU, прогоны NCCL/RCC и проверки сети, а также конвейер сборки и квалификации golden image в CI, повторяемый на разных площадках и в масштабе. • **Инфраструктура как код и автоматизация:** относиться к платформе как к коду с первого дня. Создать Terraform и Ansible, которые обеспечивают, настраивают и проверяют платформу, чтобы сборка была воспроизводимой, а не собиралась вручную. • **Подсистема control-plane:** построить control-plane, который превращает подготовленное bare metal в готовую к использованию кластерную мощность, и отвечать за чистую передачу слою Kubernetes. Вы отвечаете за изоляцию арендаторов на сетевом уровне и уровне оборудования; модель изоляции Kubernetes и namespace принадлежит Principal Kubernetes Platform Engineer. • **Интеграция DPU и SmartNIC:** спроектировать, как мы используем BlueField DPU на платформе: разгрузку, provisioning, изоляцию и конфигурации SuperNIC/DPU-mode, которые позволяют нам максимально эффективно использовать оборудование. • **Надежность платформы по дизайну:** встроить наблюдаемость, защитные механизмы и механизмы постепенного развертывания в платформу с самого начала. • **Встроенная безопасность:** инструментировать платформу по мере ее создания и проектировать в соответствии с нашими обязательствами по SOC 2, ISO 27001 и HIPAA. Модель секретов на основе Vault с самого начала. Подготовка BIOS и системы для trusted domain execution, secure boot и усиления безопасности внутренней сети. • **Платформа, готовая к конфиденциальным вычислениям (область роста):** спроектировать аренду и планирование так, чтобы они соответствовали нашей дорожной карте конфиденциальных вычислений: целый GPU на арендатора и TDX с пробросом GPU. Глубокий опыт в CC является плюсом, а не требованием. • **Развертывание на новых площадках:** играть ключевую роль в запуске платформы на новых площадках дата-центров, превращая новые объекты в производственную мощность. • **Техническое лидерство:** задавать шаблоны, проверять проекты и повышать инженерную планку во всей команде инфраструктуры, умножая влияние других инженеров и наставляя старших IC, не становясь при этом руководителем людей. ##### Что мы ищем **Обязательно** • 10+ лет опыта создания производственной инфраструктуры в масштабе, включая глубокий опыт создания платформ с нуля (greenfield) для облачных, хостинговых сред или сред высокопроизводительных вычислений. • Подтвержденный опыт определения технического направления для сложных платформ, архитектуры, которую перенимают другие, стандартов, которым следуют другие, и влияния, выходящего далеко за пределы вашей собственной клавиатуры. • Глубокое понимание основ Linux-систем: умение рассуждать о ядре, сетевом стеке, хранилищах и производительности, а не только о командной строке. • Свободное владение инфраструктурой как кодом и автоматизацией: Terraform, Ansible и настоящий язык программирования, используемый для создания надежных инструментов платформы, а не одноразовых скриптов. • Опыт работы с production Kubernetes: создание, развертывание и эксплуатация кластеров и сервисов платформы, работающих на них. • Явно выраженная склонность к созданию вещей правильно с первого раза: продуманная архитектура, воспроизводимая автоматизация и надежный дизайн вместо краткосрочных упрощений. • Отличные письменные коммуникативные навыки: четкое документирование проектов и решений, оставление систем более понятными, чем они были найдены. **Настоятельно рекомендуется** • Опыт работы с DPU / SmartNIC, особенно с использованием разгрузки, режимов DPU/SuperNIC и проектов платформ, которые их используют. Это является для нас значимым отличительным фактором. • Опыт работы с инфраструктурой GPU и ускоренных вычислений на базе NVIDIA и AMD, включая ROCm и жизненный цикл прошивок, или инфраструктурой HPC/AI. • Bare-metal provisioning в масштабе (автоматизация Redfish/BMC, NetBox или аналогичный источник истины). • Опыт создания стеков control-plane облачной платформы в среде greenfield. • Глубокие знания сетей: BGP, VLANs, концепции сетевой инфраструктуры и способность отлаживать проблемы с подключением и пропускной способностью. Вы не будете владеть сетью, но чем свободнее вы сможете взаимодействовать с нашими сетевыми инженерами, тем лучше. • Знакомство с высокопроизводительными сетями: RoCE Ethernet / InfiniBand. • HashiCorp Vault и работа в рамках соответствия требованиям SOC 2 / ISO 27001 / HIPAA. ##### Как мы работаем • **Небольшие, опытные, высокодоверенные команды.** Мы нанимаем людей, которые могут самостоятельно решать проблемы от начала до конца, и предоставляем им для этого пространство. • **Код, а не клики.** Платформа определяется, проверяется и версионируется. Ручные изменения являются исключением, и они автоматизируются. • **Стройте правильно.** Мы инвестируем в продуманную архитектуру и надежный дизайн, чтобы платформа масштабировалась чисто, а не накапливала технический долг. • **Клиенты реальны.** Платформа существует для обслуживания клиентских нагрузок, и мы строим ее в соответствии с тем стандартом надежности и индивидуального подхода, который это подразумевает. • **Мы документируем.** Проекты, решения и архитектура записываются, чтобы команда накапливала знания, а не переучивалась заново. ##### ИИ как мультипликатор силы Мы ожидаем, что наши инженеры будут использовать ИИ для ускорения работы и повышения эффективности, и мы строим нашу среду так, чтобы это было нормой, а не дополнительной опцией. Мы поддерживаем файлы контекста CLAUDE.md и AGENTS.md в наших репозиториях, запускаем MCP-серверы для наших операционных систем (Jira, NetBox, Checkmk) и используем агентные инструменты для написания кода, такие как Claude Code, непосредственно в наших рабочих процессах инфраструктуры и платформы. Вам не нужно быть экспертом по ИИ, но вы должны быть готовы внедрять эти инструменты в то, как вы проектируете, строите и автоматизируете — и помогать нам расширять границы того, что может сделать команда инфраструктуры, использующая ИИ. ##### Как выглядит успех **Первые 30 дней** • Освоились в нашей среде: стеке платформы, подходе к provisioning и целевой архитектуре. Способны самостоятельно ориентироваться в кодовой базе и проектных документах. • Отправили свой первый значимый вклад в создание платформы после ревью команды. • Согласовали с сетевыми инженерами, SRE и безопасностью, где ваша работа пересекается с их. **Первые 90 дней** • Отвечаете за определенный компонент создания платформы от начала до конца, от проектирования до внедрения. • Реализовали значимую часть автоматизации provisioning или платформы, которая сделала сборку быстрее, более воспроизводимой или более надежной. • Повлияли как минимум на одно фундаментальное архитектурное решение, на котором строится платформа. **Первые 12 месяцев** • Признанный технический авторитет в области создания облачной платформы, задающий направление и пользующийся доверием в командах сетей, SRE, безопасности и платформенной инженерии. • Спроектировали и внедрили значительную часть облачной платформы или ее автоматизации, что повысило эффективность команды и надежность платформы. • Сыграли ведущую роль в вводе в эксплуатацию как минимум одной новой площадки дата-центра.