Vereinigte Staaten
B&A
WEKA
WEKA Data Platform Administrator (Remote US)
Vereinigte Staaten
United States
PythonAWSKubernetesGo
Automatische Übersetzung. Prüfe das Original.
Über die Stelle
WEKA Data Platform Administrator
Customer Success - Premium Services
WEKA entwickelt einen neuen Ansatz für den Enterprise-Data-Stack, der für das Zeitalter des Reasoning konzipiert ist. NeuralMesh von WEKA setzt den Standard für agentische KI-Dateninfrastruktur mit einer Cloud- und KI-nativen Softwarelösung, die überall bereitgestellt werden kann. Sie transformiert veraltete Datensilos in Datenpipelines, die die GPU-Auslastung drastisch erhöhen und dafür sorgen, dass KI-Modelltraining und -Inferenz, machine learning sowie andere rechenintensive Workloads schneller laufen, effizienter arbeiten und weniger Energie verbrauchen.
WEKA ist ein Unternehmen vor dem Börsengang, das sich in einer Phase des starken Wachstums befindet. Wir haben 375 Mio. USD an Kapital von Dutzenden erstklassigen Risikokapitalgebern und strategischen Investoren aufgenommen. Wir unterstützen die weltweit größten und innovativsten Unternehmen und Forschungsorganisationen, darunter 12 der Fortune 50, dabei, Entdeckungen, Erkenntnisse und Geschäftsergebnisse schneller und nachhaltiger zu erzielen. Wir setzen uns leidenschaftlich dafür ein, die komplexesten Datenherausforderungen unserer Kunden zu lösen, um intelligente Innovationen und geschäftlichen Mehrwert zu beschleunigen. Wenn Sie unsere Leidenschaft teilen, laden wir Sie ein, uns auf dieser spannenden Reise zu begleiten.
Der WEKA-Weg
- Wir sind verantwortlich: Wir übernehmen die volle Verantwortung, immer – auch wenn Dinge nicht wie geplant laufen. Wir führen mit Integrität, zeigen Verantwortung und Eigeninitiative und stellen höchste Ansprüche an uns selbst und aneinander.
- Wir sind mutig: Wir hinterfragen den Status quo, verschieben Grenzen und gehen bei Bedarf kluge Risiken ein. Wir begrüßen Herausforderungen und betrachten Debatten als Wachstumschancen, indem wir Mut als Treibstoff für Innovation nutzen.
- Wir arbeiten zusammen: Wahre Zusammenarbeit bedeutet nicht nur, gemeinsam zu arbeiten. Es geht darum, einander zu unterstützen, um gemeinsam erfolgreich zu sein. Wir sind teamorientiert und kommunizieren mit Empathie und Respekt. Wir fordern uns gegenseitig heraus und führen eine positive Konfliktlösung durch. Wir sind transparent in Bezug auf unsere Ziele und Ergebnisse. Und gemeinsam sind wir unaufhaltsam.
- Wir sind kundenorientiert: Unsere Kunden stehen im Mittelpunkt unseres Handelns. Wir hören aktiv zu und priorisieren den Erfolg unserer Kunden. Jede Entscheidung, die wir treffen, wird davon geleitet, wie wir sie besser bedienen, unterstützen und befähigen können, erfolgreich zu sein. Wenn unsere Kunden gewinnen, gewinnen wir.
Ihre Aufgaben
Unsere AI-Hyperscaler-Kunden verkaufen GPU-Kapazitäten an andere Unternehmen. Deren Mandanten führen Training, Inferenz und Checkpointing auf WEKA aus. Diese Mandanten erwarten, dass die Datenschicht einfach funktioniert.
Als WEKA Data Platform Administrator sind Sie für dieses Ergebnis verantwortlich. Sie betreiben die WEKA-Bereitstellung für diese Cloud-Unternehmen als Erweiterung ihres Teams im Tagesgeschäft, sodass diese kein eigenes Personal für die WEKA-Administration vorhalten müssen. Sie arbeiten möglicherweise direkt mit deren Endkunden zusammen, um die Infrastruktur für die tatsächlich ausgeführten Workloads zu optimieren.
Betrieb der Bereitstellung
- Täglicher Betrieb der WEKA-Umgebung: Überwachung, Integrität, Upgrades, Kapazität, Konfiguration und Audits.
- Erstellung und Verwaltung von Dateisystemen, Tiering zu Objektspeichern, Snapshots, Quotas und Protokollkonfiguration (POSIX, NFS, SMB, S3), während Mandanten hinzukommen und wachsen.
- Verantwortung für den operativen Betriebszustand. Halten Sie die Umgebung gesund, dokumentiert und wiederherstellbar.
- Durchführung genehmigter Änderungen nach Standard: Bestätigung von Umfang und Genehmigung, Risikoklassifizierung, Validierung, Sicherstellung eines Rollbacks, Protokollierung des Ergebnisses.
- Überwachung auf Drift, Kapazitätsengpässe und Anomalien. Frühzeitige Meldung mit einem empfohlenen Lösungsweg.
Optimierung der Infrastruktur für die Workloads der NCP-Endkunden
- Kann die direkte Zusammenarbeit mit den Mandanten des Kunden und deren Plattformteams beinhalten, um zu verstehen, wie jeder Workload Speicher nutzt: Training, Inferenz, Checkpointing, Datenladen und Scheduling.
- Optimierung von WEKA für den jeweiligen Workload. Dateisystem-Layout, Tiering, Snapshot-Richtlinien, Quotas und mandantenspezifische QoS.
- Validierung und Standardisierung der Client-Schicht: GPU-Node-Clients, BlueField-3 und SR-IOV-Netzwerke, Mount-Optionen, cgroups und kubelet CPU-Richtlinien sowie der WEKA Kubernetes Operator und CSI-Treiber.
- Onboarding neuer Mandanten und Clients mit einem wiederholbaren, verifizierten Verfahren. Überprüfung von Konfiguration und Skripten, bevor diese in die Produktion gelangen, nicht erst bei einer Eskalation.
- Etablierung von Leistungs-Baselines. Durchführung von Benchmarks und Tests mit Mandanten sowie Berichterstattung darüber, was sich geändert hat und warum.
- Identifizierung von Skalierungsgrenzen, bevor Kunden darauf stoßen: Client-Anzahlen, Prozess-Obergrenzen, NAT- und Routing-Verhalten über Mandanten-Netzwerke hinweg.
Runbooks, Automatisierung und Kontinuität
- Erstellung und Pflege von Betriebs-Runbooks für Kunden, denen eine qualifizierte Vertretung folgen kann: Verfahren, Zugriffsanleitungen, Validierung, Rollback- und Wiederherstellungsschritte.
- Umwandlung wiederholter manueller Arbeit in Skripte, Automatisierung oder Checklisten. Verwendung von Python, Bash und Ansible.
- Vorbereitung von Übergaben und Vertretungsbriefings vor Abwesenheiten oder Änderungen in der Zuständigkeit.
- Erklärung von Verfahren und Entscheidungen gegenüber den Operatoren der Kunden, damit diese kompetenter werden, anstatt abhängiger.
Eskalation und Zusammenarbeit
- Eröffnung und Aktualisierung von Tickets mit dem beobachteten Zustand, den Auswirkungen auf den Kunden, den abgeschlossenen Arbeiten, Nachweisen und dem angeforderten nächsten Schritt. Befolgung des etablierten Pfads zu Technical Services, GRE und R&D.
- Informieren des erweiterten WEKA-Teams über Änderungen, Risiken und alles, was der Kunde wissen muss.
- Zusammenarbeit mit Cloud-Anbietern, Netzwerkteams und anderen Drittanbietern in der Umgebung des Kunden zur Lösung von Problemen.
- Beitrag von operativen Ergebnissen, Trends und Risiken zu wöchentlichen Statusberichten und vierteljährlichen Reviews.
Anforderungen
- 10+ Jahre Erfahrung in der Administration von Enterprise-Infrastrukturen in großem Maßstab mit fundierter Speichererfahrung (Datei, Objekt oder Block).
- Fundierte Linux-Administrationskenntnisse, einschließlich RHEL-Familie und Ubuntu, in verteilten Umgebungen.
- Praktische Erfahrung mit Hochgeschwindigkeitsnetzwerken: Ethernet und InfiniBand, RDMA sowie Grundlagen von DNS, ACLs und TCP/IP.
- Arbeitskenntnisse in Kubernetes und Containern, einschließlich persistentem Speicher, CSI und Operatoren.
- Erfahrung im Betrieb von GPU-, HPC- oder großen Cloud-Infrastrukturen für externe Kunden oder mehrere Mandanten.
- Erfahrung mit mindestens einer großen Cloud: AWS, Azure, Google Cloud oder Oracle Cloud.
- Kenntnisse in Python, Bash oder Ansible. Sie automatisieren, was Sie wiederholen.
- Erfahrung mit Monitoring- und Alerting-Stacks (Prometheus, Grafana, Log- und Metrik-Tools).
- Erfahrung mit Ticketsystemen wie Jira und Disziplin im Major Incident Management.
- Klare schriftliche und mündliche Kommunikation. Sie können einem Ingenieur und einer Führungskraft eine Änderung erklären.
- Starke technische Schreibfähigkeiten. Ihre Runbooks funktionieren auch für jemanden, der die Umgebung noch nie gesehen hat.
Das wäre schön
- Vorerfahrung mit WEKA oder einem anderen parallelen oder verteilten Dateisystem.
- Erfahrung im Betrieb von Slurm- oder Kubernetes-basierten KI/ML-Plattformen.
- Erfahrung mit NVIDIA GPU-Cluster-Netzwerken und Systemen der DGX-Klasse.
- Erfahrung in der Zusammenarbeit zwischen Support- und Produkt- oder Engineering-Teams.
- Vertrautheit mit Confluence, Slack und anderen Kollaborationstools.
Was Erfolg ausmacht
- Routinearbeiten werden vorhersehbar erledigt, dokumentiert und nach der Ausführung verifiziert.
- Eine qualifizierte Vertretung kann die Umgebung anhand Ihres Runbooks bedienen.
- Die Mandanten der Kunden werden schneller und mit weniger Überraschungen angebunden und erreichen ihre Leistungsziele.
- Probleme auf Client-Ebene werden bei der Verifizierung gefunden, nicht in der Produktion.
- Risiken und Zugriffslücken werden frühzeitig mit einem empfohlenen Lösungsweg angesprochen.
- Wiederholte Arbeit wird durch Checklisten, Skripte und Automatisierung sicherer.
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen