Staff SRE, Site Experience

О позиции

Команда Ads Reliability в Reddit отвечает за надёжность рекламной экосистемы компании — от ad serving и аукционов до биллинга и атрибуции. Staff SRE будет партнёром для инженерных команд Ads, будет формировать техническое направление и строить платформы, повышающие надёжность и продуктивность разработчиков. Reddit работает по модели flexible-first: можно работать удалённо из Великобритании, Нидерландов или Ирландии.

Будет плюсом

• Опыт работы с рекламными технологическими платформами или другими крупными системами, критичными для выручки
• Понимание специфики надёжности ad-serving, аукционов реального времени, budget pacing, атрибуции и биллинга
• Опыт эксплуатации сервисов с высоким QPS и низкой латентностью
• Опыт построения программ надёжности с измеримыми бизнес-результатами
• Работа с Kubernetes и облачной инфраструктурой в крупных масштабах
• Знакомство с Kafka, ClickHouse, Spark, Flink, BigQuery или аналогичными платформами
• Опыт взаимодействия с командами Product, Data Science и Ads Engineering
• Опыт поддержки ML-инференса или рекомендательных систем в продакшене

Условия

• Гибкий формат работы: полностью удалённо из Великобритании, Нидерландов или Ирландии
• Корпоративная пенсионная схема с софинансированием работодателя
• Частная медицинская и стоматологическая страховка
• Mental Health & Coaching Benefits
• Поддержка планирования семьи и гендерно-аффирмирующая медицина
• Программы замещения дохода
• Велосипедная программа (Bike to Work)
• Гибкий отпуск и оплачиваемое волонтёрское время
• Щедрый оплачиваемый декретный отпуск
• Поддержка профессионального развития и рабочего пространства

Навыки

• Site Reliability Engineering
• Distributed Systems
• Go
• Python
• Linux
• Kubernetes
• Cloud Infrastructure
• Observability
• Prometheus
• Distributed Tracing
• SLO
• Incident Management
• High Availability
• Kafka
• ClickHouse
• Spark
• Flink
• BigQuery
• Networking
• Automation
• Performance Optimization
• Ad Tech

Могут спросить на собеседовании

1. Расскажите о случае, когда вы выявили системный риск надёжности в распределённой системе до того, как он стал инцидентом. Как вы приоритизировали и реализовали решение?
2. Как бы вы подошли к определению SLO для системы аукционов реального времени, где латентность напрямую влияет на выручку?
3. Опишите крупнейший инцидент, которым вы руководили. Как вы координировали кросс-функциональный отклик и какие системные изменения последовали?
4. Как вы выстраиваете культуру надёжности в командах, которые исторически не уделяли ей достаточно внимания? Приведите конкретный пример.
5. В экосистеме Ads одновременно работают десятки сервисов разного уровня зрелости. Как вы расставляете приоритеты при формировании программы надёжности с ограниченным ресурсом команды?