Hardware Operations Engineer

О позиции

Команда Hardware Operations отвечает за надёжность, доступность и жизненный цикл вычислительной инфраструктуры OpenAI. В рамках программы Stargate компания строит масштабные AI-кампусы для обучения и инференса frontier-моделей. Эта позиция — старший технический авторитет на площадке в Абилине, Техас: вы станете мостом между командами Fleet Health Engineering, Oracle Operations, OEM-вендорами и внутренними инженерными группами.

Будет плюсом

• Опыт работы с крупными GPU-кластерами или AI/ML-инфраструктурой.
• Знакомство с системами fleet health, платформами телеметрии и инструментами мониторинга оборудования.
• Опыт с методологиями анализа отказов: FRACAS, RCCA, 5 Whys, Fishbone, FMEA.
• Знание администрирования Linux и рабочих процессов валидации оборудования.
• Опыт работы в гиперскейл дата-центрах или HPC-средах.
• Знакомство с производством серверов, rack integration или переходами NPI-to-sustaining.
• Сертификации: CompTIA Server+, OEM-сертификации или эквивалентный опыт.
• Опыт применения практик EHS в критически важных инфраструктурных средах.

Условия

• Работа в одной из самых известных AI-компаний мира над инфраструктурой следующего поколения.
• Участие в программе Stargate — строительстве передовых AI-кампусов глобального масштаба.
• Роль с высоким уровнем технической и операционной ответственности и прямым влиянием на надёжность production-систем.
• Партнёрство с ведущими инженерными командами, OEM-вендорами и операционными партнёрами.
• Возможность закладывать стандарты и лучшие практики, которые масштабируются на новые площадки.

Навыки

• Hardware Operations
• Datacenter Infrastructure
• GPU Systems
• Server Hardware
• Storage Infrastructure
• Rack Integration
• Root Cause Analysis
• Fleet Health Management
• Hardware Reliability Engineering
• Failure Analysis
• FMEA
• FRACAS
• 5 Whys
• Linux
• Hardware Monitoring
• Telemetry
• HPC
• Inventory Management
• Technical Documentation
• EHS

Могут спросить на собеседовании

1. Опишите самый сложный аппаратный инцидент в production, которым вы руководили. Как вы организовали тriage, коммуникацию и RCA?
2. Как вы выстраиваете процесс выявления паттернов отказов на большом парке серверов/GPU? Какие метрики и инструменты используете?
3. Расскажите о вашем опыте работы с GPU-инфраструктурой: какие типичные отказы вы встречали и как их диагностировали?
4. Как вы организуете взаимодействие с OEM-вендорами при эскалации сложного отказа? Приведите конкретный пример.
5. Как вы подходите к созданию операционных runbook'ов и стандартов, которые могут быть переиспользованы на новых площадках?