Ingeniero de Soporte de Infraestructura GPU

GPU Infrastructure Support Engineer

Sobre Civo:

Civo es un proveedor de neocloud de alto rendimiento diseñado específicamente para las exigencias de la IA moderna, la computación de alto rendimiento (HPC) y la infraestructura cloud-native. Eliminamos la sobrecarga de la nube tradicional para ofrecer computación de latencia ultra baja, rendimiento de GPU bare-metal y una orquestación de Kubernetes optimizada a escala.

Diseñado específicamente para equipos de ingeniería de IA, empresas e instituciones de investigación, Civo ofrece acceso directo a clústeres de GPU NVIDIA de última generación, redes de alta velocidad (high-speed fabrics) y sistemas de almacenamiento paralelo necesarios para entrenar, ajustar y desplegar modelos fundacionales de manera eficiente. Combinamos una infraestructura de alta densidad con precios predecibles y el máximo rendimiento de computación, permitiendo a las organizaciones escalar sus cargas de trabajo de IA sin la complejidad o el aumento de costes de los hiperescaladores tradicionales.

Sobre el puesto:

Como GPU Infrastructure Support Engineer, actuarás como la primera línea de defensa operativa para la flota global de infraestructura de IA y GPU de Civo. Gestionarás los tickets diarios de clientes, las alertas de la plataforma, el triaje de fallos de hardware y la respuesta inicial ante incidentes en nodos GPU, redes de alta velocidad y sistemas Linux.

Este es un rol práctico y de alto impacto que requiere una fuerte curiosidad técnica y una disciplina estructurada para la resolución de problemas. Serás responsable de los incidentes de principio a fin, realizarás diagnósticos iniciales de hardware, coordinarás actividades de "smart-hands" en nuestros centros de datos y asegurarás traspasos de turno limpios y ricos en evidencias al escalar problemas complejos a los Senior GPU Infrastructure Engineers.

Operaciones 24/7 y triaje de tickets

• Triaje de incidentes: Monitorizar los paneles de la plataforma y los sistemas de cola para reconocer, priorizar y realizar el triaje de los problemas reportados por los clientes dentro de los estrictos objetivos de SLA.

• Comunicación con el cliente: Proporcionar actualizaciones de estado claras, profesionales y técnicas a clientes empresariales a través de canales de ticketing y páginas de estado.

• Traspasos de turno: Mantener registros de eventos precisos y ejecutar traspasos de turno limpios y detallados para garantizar una cobertura operativa continua.

Triaje de hardware y nodos GPU

• Diagnóstico de primera línea: Ejecutar runbooks para inspeccionar la salud de los nodos utilizando nvidia-smi, NVIDIA Data Center GPU Manager (DCGM) y registros de eventos del sistema (dmesg, journalctl).

• Gestión Out-of-Band: Acceder y gestionar los BMC de los hosts bare-metal a través de IPMI o Redfish para realizar ciclos de encendido, inspecciones de consola remota y extracción de registros de eventos del sistema.

• Preparación de RMA: Recopilar registros de diagnóstico y números de serie para crear paquetes de presentación de RMA al proveedor completos y ricos en evidencias para GPUs, DIMMs o unidades de almacenamiento defectuosas.

Coordinación de soporte de campo y centros de datos

• Coordinación de Smart-Hands: Actuar como el principal contacto técnico para los técnicos de las instalaciones de los centros de datos locales, dirigiendo el reasentamiento físico de componentes, la sustitución de ópticas y las pruebas de cableado.

• Seguimiento de activos: Mantener la integridad absoluta de los datos en los sistemas DCIM e IPAM de Civo (por ejemplo, NetBox) durante los cambios de hardware o el mantenimiento.

Resolución de problemas de plataforma y entorno

• Soporte al usuario: Asistir a los equipos de clientes con acceso SSH básico, comprobaciones de passthrough de dispositivos GPU, estado de la cola de trabajos de Slurm y problemas de runtime de contenedores.

• Ejecución y mejora de runbooks: Seguir los runbooks operativos para el mantenimiento rutinario y proponer actualizaciones incrementales basadas en las tendencias de incidentes del mundo real.

Resultados/Objetivos clave:

• Cumplimiento de SLA: Mantener un cumplimiento >98% en los SLA de respuesta inicial y de actualización en todos los niveles de prioridad.

• Resolución en el primer contacto: Resolver >= 60% de los tickets de acceso y de plataforma de nivel 1 sin requerir escalada a L3.

• Velocidad de procesamiento de RMA: Empaquetar y enviar la evidencia de RMA verificada a los proveedores de hardware en un plazo de 4 horas tras la confirmación del fallo.

Experiencia y cualificaciones principales

• Más de 2-4 años de experiencia técnica en un rol de soporte de infraestructura IT, service desk o de operaciones de centro de datos dentro de un entorno estructurado orientado al cliente.

• Experiencia práctica demostrada en la resolución de problemas de hardware de servidores y sistemas operativos Linux.

Experiencia Técnica

• Administración de Linux: Sólido dominio de la CLI con systemd, permisos de archivos, montajes de almacenamiento y utilidades de diagnóstico de red (ip, ping, traceroute, netstat).

• Diagnóstico de GPU y hardware: Conocimiento práctico de las arquitecturas de servidores GPU NVIDIA, incluyendo herramientas de línea de comandos como nvidia-smi y comprobaciones básicas de salud con DCGM.

• Hardware y Out-of-Band: Familiaridad con la arquitectura de servidores (PCIe, NVMe, topología de memoria) y la gestión Out-of-Band (iDRAC, iLO, BMC vía IPMI/Redfish).

• Ticketing e ITIL: Comprensión práctica de los flujos de trabajo de gestión de incidentes, priorización y seguimiento del ciclo de vida de los tickets.

Soft Skills

• Excepcionales habilidades de comunicación escrita con capacidad para resumir registros técnicos complejos en actualizaciones claras para el cliente y notas de escalada internas.

• Fuerte disciplina organizativa y un enfoque metódico para el aislamiento técnico paso a paso.