Software Engineer (Site Reliability) /フリマアプリ運営企業の求人

業務内容
SLOに基づき、Google Cloud上で稼働する数百規模の本番マイクロサービスを運用し、緊急時のオンコール対応や運用サポートも担う。
信頼性向上に向けた取り組みを、設計、監視、リリース、リリース後の改善まで一貫してリードする。
重要なユーザージャーニーに対するSLI/SLOを定義・運用し、エラーバジェットを活用してプロダクトチームとの優先順位付けを行う。
インシデント対応をリードし、ポストモーテム文化を発展させ、再発防止につながるフォローアップを推進する。
ログ分析、アラート要約、根本原因分析、復旧対応をなどを対象に、明確な安全性を担保したAI Agentを構築する。
TerraformによるInfrastructure as Codeを実践し、大規模なマイクロサービス環境における運用のスケーラビリティ向上やトイル削減のための自動化を実施する。
お客さまの影響に紐づいた監視、アラート、オブザーバビリティを構築・維持し、検知から緩和までの時間を短縮する。
本番環境で稼働するサービスに対して、利用増加や障害発生を見据えたリソース設計、オートスケール、依存先サービスへのレジリエンス強化などを通じて、信頼性と性能を継続的に改善する。
プロダクトチームおよびプラットフォームチームと連携し、新機能や新規サービスを安全に本番投入するための準備、運用設計、新しいプラットフォーム整備を推進する。
リスク評価、監査対応、運用ルールのコード化・自動検証を通じて、安全で信頼性の高い本番環境を継続的に維持・改善する。


　
ユニークなチャレンジ
幅広い事業領域において、CUJ SLOを通じてお客さまへの影響を可視化し、プロダクト判断や運用方針に反映しながら、信頼性向上に取り組みます。
AIによって開発スピードが加速する中で、エンジニアとAI Agentが協働する新しい運用のあり方をつくり、これからのSRE文化を形づくります。
信頼性とレジリエンスの重要性が組織全体で理解されている環境で、プロダクトチームやプラットフォームチームと連携し、データに基づく改善を継続的に進められます。
運用サポート、問い合わせ対応、インシデント対応などの日々の運用業務と、信頼性向上に向けた中長期のプロジェクト推進の両方に取り組みます。
チーム内外で日本語と英語を日常的に使う環境で働きます。

求める経験・スキル
サービスの信頼性に責任を持ち、可用性目標の達成、トイル削減、本番稼働に向けた準備を推進した経験。SLI/SLOを活用し、開発チームと連携しながら信頼性向上の優先順位を判断した経験を含む。
SLOに基づき、大規模なサービス（10K QPS以上、または複数の本番マイクロサービス）を運用した経験。
Google CloudなどのクラウドサービスおよびKubernetes上で稼働するワークロードの本番運用経験。
Infrastructure as Codeの実践やSRE業務向けツールの開発を通じて、運用の効率化・自動化を推進した経験。
Datadogまたは同等のツールを用いた監視・オブザーバビリティ強化の実務経験。アラート設計や疲労の軽減に取り組んだ経験を含む。
インシデント対応、ポストモーテム、オンコールまたは運用サポートの当番制を担った経験。
信頼性向上に向けた取り組みを、設計から実行、改善まで自律的にリードできる。
SREの専門領域に閉じず、AIを運用業務に学習・適用していく意欲。

歓迎する経験・スキル
複数のサービスまたは事業領域をまたぐ、全社的・横断的なSLOプログラムの設計または運用経験。
ログ分析、アラート要約、根本原因分析、復旧対応などの運用業務にAIを活用した経験、およびその精度や安全性を評価した経験。
大規模なKubernetes基盤の運用経験、または分散システムの内部動作に関する知識・経験。
複数チームにまたがる信頼性向上またはプラットフォーム改善の取り組みをリードした経験。
リスク評価、監査証跡の自動収集、インフラ設定や運用ルールのコード化・自動検証を通じて、本番環境の安全性と信頼性を高めた経験。

アプリの企画・開発・運用を行う企業

日本のシリアルアントレプレナーによるベンチャー企業。既存事業が軌道に乗っているが、グローバル展開や新規事業展開に向けて組織の整備を行う。