Serás responsable del área de computación en Crux: la plataforma que convierte las TPU de Google, la energía y capacidad de centro de datos de Crux, y nuestra red en una computación de IA dedicada, fiable y lista para el cliente. Reportando a nuestro CTPO, serás responsable de todo lo que ocurre entre el rack y el primer trabajo del cliente: la flota de clústeres de TPU, el software que la aprovisiona, monitoriza y repara, la capa de orquestación de contenedores que programa el trabajo en ella, y los productos de computación que consumen nuestros clientes, desde nuestra primera fase de capacidad hasta una flota de varios gigavatios.
Este es un puesto de creación de plataformas: establecerás la arquitectura de referencia, contratarás a los líderes y mantendrás el nivel de fiabilidad, eficiencia y velocidad a medida que Crux crezca.
En este puesto, realizarás lo siguiente:
- 01Definir la estrategia de la plataforma de computación y la arquitectura de referencia: cómo se divide la capacidad de TPU en clústeres dedicados, se aprovisiona, se aísla y se entrega a hiperescaladores, laboratorios de IA de vanguardia, clientes soberanos y empresas.
- 02Arquitectar y entregar el ciclo de vida completo de la computación: incorporación e inventario de hardware, aprovisionamiento de SO y firmware, pruebas de estrés y validación, certificación de racks, entrega al cliente, reparación y retirada.
- 03Diseñar y lanzar la orquestación de contenedores gestionada de Crux sobre metal desnudo (bare metal): aprovisionamiento automatizado del plano de control, actualizaciones y operadores para TPU.
- 04Construir y liderar una organización de ingeniería multicapa que abarque el aprovisionamiento y ciclo de vida de clústeres, la orquestación y programación, la salud y telemetría de la flota, y la superficie de computación orientada al cliente.
- 05Contratar a personas mejores que tú en su oficio y mantenerte lo suficientemente cerca para saber cuándo algo no va bien antes de que aparezca en un informe.
- 06Ser responsable de la fiabilidad y eficiencia de la computación de principio a fin: SLO, goodput y utilización, tiempo desde que el rack está listo hasta que el cliente puede usarlo, y recuperación ante fallos a escala de flota, logrado mediante disciplina, no mediante heroísmos.
- 07Actuar como el principal homólogo técnico de Crux ante Google en la hoja de ruta de hardware, software y servicios de TPU, traduciendo las necesidades de los clientes en requisitos para Google y las capacidades de Google en productos de Crux.
- 08Establecer la línea de construcción, adopción o integración para la pila de software de computación: qué construye Crux de forma nativa, qué adopta de Google y qué obtiene de sus socios.
- 09Establecer la postura de seguridad, aislamiento de inquilinos y cumplimiento normativo que los clientes soberanos y regulados requieren para la computación dedicada.
- 10Colaborar con Ingeniería de Centros de Datos y Entrega de Capacidad en el diseño, puesta en marcha y aceptación de clústeres; con Ingeniería de Redes en el tejido y la interconexión; con los TPM en lo que podemos comprometernos y cuándo; y con Finanzas en los datos de utilización, tasa de fallos y repuestos para el modelo de costes y márgenes de referencia.
SEÑALES DE ÉXITO
Después de 60 días en este puesto
- 11Haber obtenido una comprensión completa de la plataforma TPU, el modelo de asociación con Google, el plan de capacidad de referencia y nuestros primeros compromisos con clientes, y haber publicado una arquitectura de computación y un plan organizativo por escrito.
- 12Haber contratado o comprometido a tu primera capa de líderes de ingeniería en los dominios principales de computación.
- 13Haber establecido cadencias de trabajo con los homólogos de Google, Ingeniería de Centros de Datos, Ingeniería de Redes y los equipos de ingeniería y producto de nuestros clientes.
- 14Haberte adaptado a un entorno de ritmo rápido, priorizando adecuadamente y mejorando continuamente nuestra función.
- 15Haber puesto en marcha el desarrollo orientado a IA de la pila de aprovisionamiento sin intervención (zero-touch), orquestación y observabilidad.
Después de 6 meses
- 16Haber entregado los primeros clústeres de TPU de producción mediante aprovisionamiento, validación y entrega al cliente en el plazo comprometido.
- 17Haber definido e instrumentado los SLO de computación, la utilización y las métricas de tiempo hasta la capacidad, revisados semanalmente en un formato en el que el equipo ejecutivo confíe.
- 18Haber lanzado la primera versión de la superficie de computación orientada al cliente (acceso, APIs, observabilidad) que los clientes utilizan sin necesidad de asistencia.
- 19Haber demostrado un enfoque orientado a la IA y automatizado en este puesto: has construido, de forma práctica, herramientas habilitadas por IA para las operaciones de flota que el equipo utiliza todos los días.
Después de 1 año
- 20Estar operando una flota de TPU multisitio con los objetivos de fiabilidad y eficiencia comprometidos con los clientes, haciendo que los incidentes sean cada vez más raros y menos complejos.
- 21Haber construido una organización de computación de alto rendimiento con líderes sólidos en cada dominio y un nivel de contratación que se mantiene a medida que el equipo crece.
- 22Haber convertido la plataforma de computación en un factor diferenciador en la captación y renovación de clientes, con la hoja de ruta para las siguientes fases de capacidad acordada con Google y el equipo ejecutivo.