Wir verwenden technische Cookies und das anonymisierte Besuchsprotokoll von Zorky. Yandex Metrica (Daten werden auf Servern in Russland gespeichert) läuft nur mit Ihrer Einwilligung. Wir verkaufen keine Daten. Mehr zu Cookies und Statistik.
Zorky läuft im Testmodus — alles ist kostenlos. Stellen und Unternehmensseiten sind für alle offen; Links zu den Anzeigen und Ihre persönliche Stellenauswahl gibt es nach der Registrierung. Registrieren →
← Alle Stellen

AI Cloud Platform Engineer | ML Infrastructure & Technical Operations

Level nicht angegeben8.000 SGD · Zeitraum nicht angegebenSingapore, SGheute
Stack
Network PerformanceCompetitive AdvantageGPURoot Cause Analysismanaging workloadincident management toolProduct ManagementDistributed File SystemsNetwork InfrastructureIncident HandlingBenchmarkingInfiniband
Details
Methoden
DevOps, SRE
Unternehmen und Link anzeigen
Kostenlos, nach der Anmeldung.
Bewerben
Laden Sie Ihren Lebenslauf hoch — Arbeitgeber und Recruiter aus verschiedenen Ländern, die Ihr Profil suchen, können Sie direkt kontaktieren.
Lebenslauf senden →

Beschreibung

Own end-to-end reliability, performance tuning, and fault resolution across large-scale GPU computing clusters

Architect stability governance across Kubernetes, RDMA/InfiniBand fabrics, and distributed AI training environments

Unternehmen und Team

About the company

This fast-scaling technology firm builds foundational digital infrastructure designed to support complex, next-generation software applications. Through strategic capital investments and streamlined operations, the organization enables enterprises to deploy and run data intensive systems reliably at scale.

About the job

Your role involves:

Owning operational stability across intelligent compute clusters encompassing GPU hardware, Kubernetes orchestration, high-speed networking (RDMA, RoCE, InfiniBand), and AIOps tooling

Leading root cause investigations and end-to-end remediation for complex failures across distributed model training, inference, and benchmarking workloads

Diagnosing deep infrastructure anomalies including GPU hardware faults, job scheduling bottlenecks, storage I/O errors, and network performance jitter

Developing emergency response protocols, fault-handling playbooks, and standardized diagnostic runbooks to accelerate incident recovery

Executing performance benchmarking and stability optimizations across multi-node training environments and GPU resource schedulers

Skills and experience required

As a successful applicant, you will have:

Deep command of Linux operating system internals and low-level system, net

Vollständige Beschreibung, Unternehmen und Bewerbungslink — nach der Anmeldung. Anmelden
Kontaktdaten des Arbeitgebers (E-Mail/Telefon/Telegram) sind in der öffentlichen Vorschau ausgeblendet. Senden Sie Ihren Lebenslauf — dann können Arbeitgeber Sie direkt kontaktieren.
Dringende Frage? Schreiben Sie @termdocs