Arquitecto de Soluciones Sénior de Operaciones de Red e Infraestructura Cloud

NVIDIA busca un "Senior Network and Fabric Operations Solutions Architect" para unirse a su "NVIDIA Infrastructure Specialist Team". Organizaciones académicas y comerciales de todo el mundo utilizan productos NVIDIA para redefinir el aprendizaje profundo y el análisis de datos, y para potenciar los centros de datos de próxima generación. ¡Únete al equipo que construye y asesora sobre las redes que sustentan muchos de los sistemas de IA/HPC más grandes y rápidos del mundo!

Buscamos a alguien que combine una profunda experiencia en redes con sólidas habilidades de consultoría y comunicación. Este puesto interactuará directamente con clientes, socios y equipos multifuncionales para evaluar, diseñar y operar las arquitecturas de cómputo, almacenamiento y "fabrics" de escalado que sustentan los grandes entornos de GPU, actuando tanto como un asesor de confianza como un líder técnico práctico. Serás el responsable de la parte de "fabric" del modelo operativo de "NVIDIA's Cloud Partner" (NCP) a lo largo de todo el ciclo de vida, desde el "Day 1" hasta el "Day 2": desde la validación de InfiniBand/UFM y Ethernet en la entrega, pasando por las operaciones de partición de NVLink, hasta una arquitectura de producción estable que funcione con el máximo "goodput". Los entornos de NCP priorizan el código abierto y son heterogéneos (Cumulus Linux, SONiC, Spectrum-X, servicios DOCA/DPU, Kubernetes upstream y Prometheus/Grafana), por lo que este rol es deliberadamente agnóstico en cuanto a herramientas: trabajarás con cada socio en la arquitectura que realmente utilicen en lugar de limitarte a un único producto propietario.

• Responsable de las operaciones de "fabric" de "Day 2" en flotas de NCP: gestión de particiones NVLink/NVSwitch (NMX-C / NMX-M) en sistemas de clase GB200/GB300 NVL72, aislamiento de particiones de mantenimiento y flujos de trabajo seguros de cambio de partición para entornos multiinquilino.

• Responsable del ciclo de vida del software y firmware de los conmutadores: actualizaciones de Cumulus Linux, SONiC y sistemas operativos de conmutación, campañas de despliegue de CPLD y avisos de campo, con planes de actualización escalonados y probados que eviten que las arquitecturas de los socios utilicen versiones obsoletas sin interrumpir las cargas de trabajo de producción.

• Soporte en la validación y aceptación de la arquitectura en el "Day 1": puesta en marcha de InfiniBand y UFM, configuración de Spectrum-X/RoCE Ethernet, verificación de cableado y estado de los enlaces, validación de enrutamiento y control de congestión, y pruebas de rodaje ("burn-in") de varios días y múltiples racks frente a los objetivos acordados de MTBI y "goodput".

• Minimizar el tiempo desde la entrega del clúster hasta la primera carga de trabajo de producción, eliminando la validación duplicada de la arquitectura entre la puesta en marcha del hardware, la incorporación de servicios gestionados y los propios equipos de operaciones de red del socio.

• Impulsar la fiabilidad de la arquitectura a escala de flota: telemetría para fluctuaciones de enlace ("link flaps"), retransmisiones y congestión, detección de fallos hasta su subsanación, análisis de causa raíz de fallos de tareas inducidos por la red, y mejora medible del MTBI y del "goodput" de las tareas.

• Proporcionar orientación consultiva y resolución de problemas práctica en toda la pila de la arquitectura: NICs y DPUs, sistema operativo del conmutador, enrutamiento y control de congestión, redes de host e integración de redes Kubernetes; y actuar como líder técnico para las cuentas asignadas, realizando transferencias de conocimiento estructuradas y produciendo manuales de ejecución ("runbooks") para que los equipos de los socios puedan operar configuraciones avanzadas de forma independiente.