日系大手電機・通信機器メーカーにおけるSite Reliability Engineer (Machine Learning Platform)の求人

AIスーパーコンピューターを開発・運用を共に行って頂くSite Reliability Engineer (Machine Learning Plaftorm) を数名募集します。スケーラブルかつ洗練されたGPUサーバーを用いた世界有数のAIスパコンを開発・運用し、AIの技術開発に革新をおこしたい方を募集しています。

以下のように、コンピューターアーキテクチャ・ソフトウェアアーキテクチャに精通し、世界に誇れるAIスパコンを共に開発・運用して頂ける方を求めています。
・世界最高のプラットフォームを作るための情熱および技術への愛情を持ち合わせ、国内で最大のAIスーパーコンピューターの開発・運用を推進すること
・AI（深層学習・機械学習）の可能性を信じ、技術が描き出す未来を信じ、未来を切り開くこと
・謙虚に学び、チームとして解決策を模索し、素早いフィードバックサイクルを学ぶことで、優れたソフトウェアをチームで開発できること
・傾聴力と共感力を備えており、機械学習の研究者とのコラボレーションを行いながら技術要件へと落とし込み、プラットフォームを設計・開発すること
・ソフトウェアの設計と実行、機能を超えた仲間との明確なコミュニケーション能力、技術的なリーダーとしての役割を果たすこと
・ソフトウェア開発におけるコードの価値を信じ、優れたコードを書くこと
・ソフトウェア開発のプロフェッショナルとして、堅牢なインターフェースを書き、設計原則を考慮したうえで、クリーンなテストを書くこと
・プロジェクトを成功に導き、継続的に動作するソフトウェアを迅速かつ確実に生み出すこと


【ポジションのアピールポイント・想定キャリアパス等】
・世界の先端のAI技術開発に携わることができ、AIが紡ぎだす未来を自らの手で作れます。
・現代のAIの技術開発には高度な分散システムが必要であり、先端のSW/HWに精通できます。
・AI/HPC/分散システムのスペシャリストとしてのキャリアパスを想定しています。

【MUST】
下記を全て満たすこと。
・ 5年以上のソフトウェア開発・運用の実務経験
・ Kubernetesの利用経験。特にCRI、CNI、CSIについては深い理解があることが望ましいです。

【WANT】
・運用監視ツールの開発経験（Prometheus、Ganglia等）
・認証・認可への基本的な理解
・CI/CD(Ansible、Jenkins等）の開発経験
・コンピュータサイエンス/機械学習の修士号、または博士号、または同等の実務経験がある方
・大規模な分散システムの設計・開発経験
・英語の技術文書が読めること
・複数のGPUサーバーを用いた分散学習プラットフォームの開発・運用経験
・大規模サイトなどでのSREとしての経験、ベアメタルサーバーでの作業経験があれば尚良いです。
・コンピュータアーキテクチャに精通しており、アーキテクチャに基づき性能ボトルネックを推測できること（各種HWのアーキテクチャ・スペック、各種インターコネクトの仕様）
・Kubenetesの拡張を開発したことのある経験。特に、ジョブスケジューラ、Admission Webhook、Controller、Operator等の拡張を開発できることが望ましいです。
・数PB規模の分散ファイルシステム(Lustre等）を用いたストレージの開発・運用の実績。
・スケーラブルなLDAPサーバーの構築・運用経験
・各種の学習フレームワークへの理解（PyTorch、TensorFlow等）
・GPU関連処理技術への理解（CUDA、NCCL、MPI等）
・分散学習における各種手法への理解
・ Go言語での開発経験

【求める人物像（ソフトスキル）】
・新しいテクノロジースタック群を追い続けられるだけの強い技術への好奇心を持っている方
・コンピュータサイエンスに精通し、細部にこだわりを持ちプロとしての仕事ができる方
・高い自主性を持ち、プロジェクトをともに推進して頂ける方