技术支持工程师（GPU集群）- 美国周末班
岗位摘要
直接与客户接触，解决涉及尖端Kubernetes GPU集群的复杂技术挑战，确保快速有效的解决方案；作为面向客户的SRE，确保客户的Kubernetes集群保持健康和稳定；成为GPU集群服务的产品专家，在问题升级到工程和产品团队之前作为最后一道技术防线
岗位职责
- 直接与客户接触，解决涉及尖端Kubernetes GPU集群的复杂技术挑战，确保快速有效的解决方案
- 作为面向客户的SRE，确保客户的Kubernetes集群保持健康和稳定
- 成为GPU集群服务的产品专家，在问题升级到工程和产品团队之前作为最后一道技术防线
- 监控GPU集群健康状况，主动向客户传达硬件问题（如热节流、BMC故障、GPU丢失、NVLink/InfiniBand性能下降），并提供清晰的补救措施
- 为企业GPU客户运营和维护生产基础设施，包括集群再平衡、Slurm集群维护、节点修复/迁移以及基于Kubernetes的工作负载管理
- 调查和解决存储和网络问题，如Weka文件系统性能下降、InfiniBand链路故障以及裸机和VM环境中的带宽异常
- 与工程、研究和产品团队无缝协作，解决客户问题；与内外部高级领导合作，确保最高水平的客户满意度
任职要求
- 深入的技术背景，对AI和客户成功充满热情
- 熟悉Kubernetes和GPU集群管理
- 能够解决复杂的存储和网络问题
- 能够适应美国白天工作时间，包括周末（周六和周日）以及两个额外的工作日
- 能够接受4天轮班制，每天10小时，周六和周日额外2小时待命