Ingeniero Senior de Confiabilidad de Sitio para Infraestructura AI

Sobre esta oportunidad

Andromeda Cluster busca un Ingeniero Senior de Confiabilidad de Sitio (SRE) especializado en infraestructura de GPU para unirse a un equipo que está transformando cómo los laboratorios de IA acceden a compute distribuido a escala. No es un rol generalista de SRE: necesitamos alguien que haya operado clusters de GPU en producción y que entienda profundamente los modos de fallo de entrenamientos distribuidos, desde el nivel de red hasta el kernel hasta el framework.

Fundada por Nat Friedman y Daniel Gross, Andromeda comenzó con un único cluster manejado que se llenó instantáneamente. Hoy, trabaja con laboratorios de IA líderes, centros de datos y proveedores de nube para entregar compute cuando y donde más se necesita. La visión a largo plazo es construir la capa de liquidez para el compute global de IA: un mercado que mueva la infraestructura y cargas de trabajo que impulsan la AGI de forma similar a cómo fluye el capital en los mercados financieros mundiales.

Perfil buscado

Buscamos ingeniero con experiencia probada operando infraestructura GPU de gran escala, con capacidad para razonar sobre performance desde múltiples capas: topología de red, configuración del kernel, comportamiento del framework. Debes ser alguien que disfruta el debugging de sistemas distribuidos complejos, que tiene criterio sólido para tomar decisiones arquitectónicas, y que se entusiasma con el impacto técnico directo.

Requisitos clave

• Experiencia comprobada operando clusters de GPU en producción
• Conocimiento profundo de modos de fallo en entrenamientos distribuidos (errores ECC, degradación NVLink, timeouts NCCL)
• Expertise en redes de alta velocidad: InfiniBand, RoCE, NVLink y diagnóstico de problemas a nivel fabric
• Sólida comprensión de arquitectura de sistemas: networking, storage, scheduling, orchestración
• Experiencia con Linux, observabilidad avanzada y herramientas de debugging
• Capacidad para escribir código de producción (Python, Go u otros lenguajes) para automatización
• Experiencia en diseño de data centers: topología de red, power/cooling, validación de hardware
• Deseable: liderazgo o mentoría de equipos de infraestructura

Responsabilidades principales

• Arquitectura de Clusters GPU: Diseñar y evolucionar clusters GPU multi-proveedor, multi-región optimizados para entrenamientos a escala. Tomar decisiones sobre scheduling topology-aware, networking y storage que impacten directamente el throughput de entrenamiento y eficiencia de costos.
• Partnership Técnico con Clientes: Ser el principal punto técnico de contacto para clientes que corren workloads de entrenamiento a escala. Onboarding, troubleshooting y optimización, frecuentemente en tiempo real.
• Ingeniería de Confiabilidad y Performance: Definir SLOs y error budgets que expliquen los modos de fallo únicos de infraestructura GPU. Ser dueño del capacity planning en fleets GPU heterogéneos optimizados para throughput de entrenamiento.
• Salud de Networking y Fabric: Garantizar la salud y performance de interconexiones de alta velocidad que sostienen entrenamientos distribuidos. Diagnosticar y resolver problemas a nivel fabric que degradan operaciones colectivas.
• Observabilidad: Construir visibilidad profunda en utilización GPU, presión de memoria, throughput de interconexión, performance de jobs y salud de hardware.
• Automatización: Desarrollar automatización de grado productivo para provisioning de clusters, health checks GPU, job scheduling, self-healing y gestión de lifecycle de firmware/drivers.
• Liderazgo en Incidentes: Liderar respuesta a incidentes complejos multi-capas con rigor y comunicación clara.

Beneficios de la posición

• Impacto directo en cómo funciona la infraestructura de IA a escala global
• Propiedad significativa y autonomía para moldear sistemas a nivel fundamental
• Trabajo directo con clientes, proveedores y equipos técnicos de alto nivel
• Oportunidad de influir en la dirección técnica y definir cómo lucen las operaciones de infraestructura AI de clase mundial
• Ambiente remoto, 100% flexible
• Equipo que valora la excelencia técnica y la mentoría

¿Por qué considerar esta empresa?

Andromeda Cluster está operando en la frontera de la infraestructura de IA. No es una startup experimental: tiene tracción real con laboratorios líderes y está en el centro de una transición fundamental en cómo se accede y se ejecuta compute para IA. Es el tipo de empresa donde el trabajo técnico importa profundamente y donde los buenos llamados de ingeniería definen el producto. Si te interesa trabajar en problemas de infraestructura verdaderamente complejos y de alto impacto, este es el lugar.

Cómo aplicar

Al aplicar, por favor menciona la palabra FORTUNE y el código RMTYyLjIyMC4yMzQuMjY= para confirmar que leíste completamente la vacante. Esto es una medida para evitar aplicaciones spam y ayuda a que la empresa identifique candidatos genuinos.

Rango salarial

No especificado por la empresa.

¿Te interesa? Aplica directamente desde el enlace de la vacante.