Director of Cloud Operations (US Neocloud)

О позиции

Mirantis предоставляет инфраструктуру для ИИ-neocloud: дата-центры с GPU-нагрузкой, платформы на базе Kubernetes (k0rdent) и оперативные сервисы для их поддержки. Вы возглавите операции для США в рамках следящей за солнцем модели лидерства, отвечая за uptime, инцидент-менеджмент,容量 planning и результаты для клиентов. Позиция требует глубокого понимания технологий при одновременном управлении командой.

Чем заниматься

• Обеспечение операционной доставки для клиентов neocloud в США: доступность, SLA, управление инцидентами и проблемами, контроль изменений
• Управление и развитие команды операций США: инженеры, NOC/SRE-персонал, координаторы уровня площадки; планирование найма, график дежурств, стандарты производительности
• Операции GPU-кластеров: мониторинг здоровья, жизненный цикл прошивок и драйверов, производительность fabric и хранилищ, замена узлов, capacity planning
• Точка эскалации для критических инцидентов и ведение коммуникации с исполнительными директорами клиентов
• Сотрудничество с командами ЦОД и инженерии для определения runbooks, процессов передачи и операционных моделей
• Взаимодействие с Sales, Solutions Engineering и Product для оценки операционных сервисов, поддержки ценообразования и устранения рисков до подписания контрактов
• Определение и отчётность по операционным KPI (uptime, MTTR, ticket ageing, GPU utilisation, SLA attainment) для руководства и клиентов
• Управление отношениями с поставщиками оборудования, сетей и дата-центров
• Автоматизация операций, стандартизация инструментов, единый операционный вид across sites
• Координация с европейскими и APAC командами для coverage по часовым поясам и согласованных практик

Что ждут

• 10+ лет в области инфраструктуры или облачных операций, включая 5+ лет управления техническими командами и минимум 2 года управления менеджерами или многоплощадочными командами
• Опыт управления командами, работающими с AI/GPU инфраструктурой масштаба (NVIDIA H100/H200/GB200 класса или эквивалент), включая InfiniBand или RoCE fabrics, DCGM и scheduler/orchestration layers типа Kubernetes или Slurm
• Сильная традиционная фоновая инфраструктура: Linux, сети, storage, virtualisation или bare-metal provisioning, основы питания и охлаждения
• Производственный опыт с Kubernetes и сопутствующим инструментарием (observability, GitOps, infrastructure as code)
• Трек запущенного NOC или SRE функции с определёнными SLA, ротациями на-call и формальным управлением инцидентами (ITIL или эквивалент)
• Опыт прямой работы с клиентами во время инцидентов, включая уровень исполнительной власти
• Способность читать и оспаривать технические дизайны, объяснять операционные trade-offs нетехническим стейкхолдерам
• Предпочтительно: опыт в neocloud, GPU cloud, hyperscaler, colocation или managed services provider
• Знание bare-metal lifecycle tooling (Metal3, MAAS, Ironic или аналогичные) и multi-tenant GPU платформ
• Приветствуются сертификации CKA/CKAD, ITIL 4 или соответствующие NVIDIA credentials

Условия

• Работа с лидером отрасли облачной инфраструктуры
• Команда страстных и талантливых коллег, помогающая Fortune 500 и Global 2000 клиентам внедрять технологии следующего поколения
• Участие в cutting-edge open-source инновациях
• Высокоэнергетичная среда молодой компании, где ценятся открытость, коллаборация, risk-taking и continuous growth
• Конкурентный пакет компенсации с сильными льготами
• Лидер по Container Management в G2 (#2 после AWS)!

Навыки

• Kubernetes
• GPU Infrastructure
• NVIDIA
• InfiniBand
• RoCE
• DCGM
• Linux
• SRE
• NOC
• Incident Management
• Slurm
• Prometheus
• Grafana
• VictoriaMetrics
• OpenTelemetry
• GitOps
• Infrastructure as Code
• ITIL
• Metal3
• MAAS
• Ironic
• Virtualization
• Bare-Metal Provisioning

Могут спросить на собеседовании

1. Опишите ваш опыт запуска и масштабирования NOC/SRE функции с нуля. Какие ключевые решения вы принимали?
2. Как вы организуете работу команды при follow-the-sen модель покрытия? Как решаете задачи координации между часовыми поясами?
3. Расскажите о ситуации с критическим инцидентом, когда вам приходилось общаться напрямую с клиентским руководством. Что вы делали?
4. Какой у вас опыт управления GPU-кластерами для AI workload? С какими вызовами вы сталкивались?
5. Как вы балансируете баланс между операционными SLA и развитием команды? Как измеряете успех?