Cloud Systems Engineer - Site Reliability

О позиции

Ты joinёшься к команде динамичных профессионалов, которые любят инновации и выводят программное обеспечение на новый уровень. Мы создаём ведущее решение в области управления практиками поведенияльного здоровья — от планирования до телемедицины. Эта роль идеально подойдёт тем, кто увлечён построением отказоустойчивых систем, решением сложных производственных проблем и постоянным совершенствованием процессов.

Чем заниматься

• Владей процессами использования Datadog для обеспечения видимости надёжности через метрики, логи, трассировки, дашборды, мониторинг и алерты
• Проектируй, внедряй и поддерживай высокодоступные системы с высокой пропускной способностью для растущей 24×7 SaaS-платформы
• Задавай цели надёжности через SLIs, SLOs, error budgets и практики оперативной готовности
• Участвуй в управлении инцидентами: командир инцидентов, технический реагировщик, триаж, восстановление сервиса, коммуникация, документация, RCA
• Расследуй проблемы на стыке инфраструктуры и приложений используя метрики, логи, распределённые трассировки и контекст кода
• Улучшай безопасность деплоя и устойчивость сервисов через автоматизацию валидации, восстановления, rollback, тестирование надёжности
• Обеспечивай поддержку новых систем разработчиками и операционными командами
• Предоставляй эскалированную техническую поддержку другим технологическим командам
• Обеспечивай покрытие on-call для поддержки производства
• Соблюдай HIPAA, политики безопасности и операционные требования

Что ждут

• Высшее образование в Information Systems, Engineering или эквивалентный опыт
• 5+ лет опыта в Systems Engineering, Cloud/Platform Engineering, DevOps, Software Engineering или SRE
• Опыт проектирования и эксплуатации продакшн-систем на облачных технологиях: compute, storage, networking, containerization
• Azure и Kubernetes — предпочтительно
• Сильные фундаментальные знания Linux и networking, опыт troubleshooting distributed systems в production
• Экспертиза в observability платформе — Datadog strongly preferred; также приветствуются Prometheus, Grafana, New Relic
• Опыт скриптинга и автоматизации: Bash, PowerShell, Python
• Infrastructure-as-code и configuration-management практики
• Опыт участия в on-call ротациях, incident response, root cause analysis, post-improvement
• Опыт работы в Agile/DevOps средах с ITSM практиками
• Предпочтительны софт скилы: сотрудничество, коммуникация, менторство

Будет плюсом

• Опыт написания кода или расследования поведения приложения через код, логи и distributed traces
• Опыт устранения operational toil через Bash, PowerShell, Python или Ansible
• Управление IaC через Terraform/OpenTofu и конфигурационная автоматизация через Ansible
• Знание HIPAA compliance

Условия

• Конкурентная зарплата $110,000–$130,000 в год
• Страхование здоровья, зубное, зрение, жизнь и disability от работодателя
• Пенсионный план с contributions компании
• Ежегодное участие в profit sharing
• Бюджет на персональное развитие и обучение
• Открытая коллаборативная рабочая среда
• Подробная 2-недельная программа онбординга
• Комплексная менторская программа

Навыки

• Azure
• Kubernetes
• Linux
• Datadog
• Prometheus
• Grafana
• New Relic
• Bash
• PowerShell
• Python
• Terraform
• OpenTofu
• Ansible
• Infrastructure as Code
• CI/CD
• SRE
• DevOps
• Distributed Systems
• Incident Management
• Observability

Могут спросить на собеседовании

1. Как вы определяете и измеряете SLIs/SLOs для критических систем?
2. Расскажите о сложном инциденте, которым вы управляли. Какова была ваша роль и какие результаты достигнуты?
3. Какие подходы вы используете для снижения operational toil в продакшене?
4. Как вы строите observability-стратегию и выбираете инструменты мониторинга?
5. Опишите ваш опыт миграции legacy-инфраструктуры на облачные технологии с сохранением доступности.