インフラエンジニア・プラットフォーム開発 / Infrastructure Engineer・ML Platform Engineering・SRE (GPUクラスタ)

必須

• Linuxを用いた本番インフラの運用
• 障害対応経験Terraform / Ansible等を用いたInfrastructure as Codeの経験
• Python / Go / Shell script等による運用自動化・ツール開発経験
• Kubernetes、クラウド基盤、大規模分散システム等のいずれかの構築・運用経験
• OS、ネットワーク、ストレージ、アプリケーションを横断して問題を切り分ける能力
• 本番環境で安全なrollout、rollback、復旧を行った経験

歓迎

• マルチクラスタ構成の大規模GPUクラスタの構築・運用・性能改善経験
• 学習ジョブの特性に応じた、スケジューリングやリソース最適化の経験
• Slurm × Kubernetes の統合・運用経験
• MLワークロード（学習・推論）や分散学習（PyTorch DDP 等）への理解
• 並列分散ファイルシステム(ex. Lustre)や高速ネットワーク(InfiniBand / RDMA / EFA / RoCE)の知識
• GPU/NIC/driver/firmwareのトラブルシュート

求める人物像

• 経験の少ない領域や不確実性の高い環境でも、主体的に学び、優先順位をつけながら自走できる方
• インフラからアプリケーションまで広い視点を持ち、MLエンジニアの課題を理解して技術的な解決策に落とし込める方
• 部門や職種を横断して関係者と密に連携し、対面でのコミュニケーションも活かしながら、基盤の改善や新しい技術への挑戦を主体的に推進できる方

応募について

• GPU/HPCやSlurmの経験は必須ではありません。
• WebサービスのSRE、Kubernetes Platform Engineer、クラウドインフラ等の経験を活かしながら、GPU/HPC領域へ専門性を広げたい方も歓迎します。

使用ツール

Description

• また、現在はクラウド/オンプレ 上のSlurmクラスタが中心ですが、次世代オンプレミスGPU基盤の構築も進めています。GPU間をRoCE v2で800Gbps接続するネットワークや、クラウド・オンプレミスを横断したワークロード配置、将来的なKubernetesとの連携など、大規模計算基盤そのものを進化させていくフェーズです。
• 本ポジションでは、チューリングの機械学習基盤を支えるGPUクラスタ（主にクラウド上のSlurm環境）の運用・改善をリードし、オンプレを含めた計算資源の利用効率を最大化することをミッションとします。GPUの価格は非常に高額であるため、GPU利用効率やクラスタの信頼性を改善することが、非常に大きな費用対効果につながります。
• 機械学習エンジニア、インフラエンジニア、MLOpsエンジニアと連携しながら、OS・ネットワーク・ストレージから学習ワークロードまで横断して課題解決リードしていただけるエンジニアを募集しています。
• GPU/HPCやSlurmの経験は必須ではありません。
• WebサービスのSRE、Kubernetes Platform Engineer、クラウドインフラ等の経験を活かしながら、GPU/HPC領域へ専門性を広げたい方も歓迎します。

具体的な業務内容

• AWS・GCP・オンプレミスにまたがる大規模GPU計算基盤の設計・構築・運用・継続的な改善
• GPUクラスタの信頼性向上に向けた、障害対応・原因分析・運用自動化・再発防止の仕組みづくり
• GPU・ストレージ・ネットワーク・ジョブスケジューリングを含む、計算資源の可視化・性能分析・利用効率の最適化
• MLエンジニアと連携した、学習ワークロードの実行環境・開発体験・CI/CD・モニタリング基盤の改善