Mexiko
Pearl
Wizdaa
Senior Platform Architect
RemoteMexiko
Argentina · Bolivia · Brazil · Mexico · United Arab Emirates
AWSGCPKubernetesTerraform
Automatische Übersetzung. Prüfe das Original.
Was Sie hier nicht finden werden
Wir suchen einen Platform Architect, der den Standard dafür setzen kann, wie wir zuverlässige Cloud-Plattformen in großem Maßstab erstellen, bereitstellen und betreiben. Sie befinden sich an der Schnittstelle von Platform Engineering und SRE. Sie verantworten den Weg vom Infrastrukturdesign bis zu zuverlässigen Produktionsdiensten und bringen DevOps-Rigor in komplexe Systeme ein.
Dies ist keine Ticket-Bearbeitungsrolle und auch keine Forschungsrolle. Sie werden sich harten Problemen stellen: Plattformzuverlässigkeit, Skalierbarkeit, Kosteneffizienz, Bereitstellungsautomatisierung und Betriebsführung von Workloads. Sie werden den Spielraum haben, diese Probleme richtig zu lösen. Senior-Experten hier identifizieren Probleme, bevor sie angesprochen werden, und heben die Decke dessen, was die Plattform leisten kann.
Ein Plattformteam, das den Status quo aufrechterhält. Wir bauen aktiv: neue Skalierungsanforderungen, neue Architekturbereiche und eine schnell wachsende ML/KI-Präsenz. Senior-Ingenieure hier gestalten die Weiterentwicklung der Plattform und die verfügbaren Werkzeuge sind besser denn je.
Woran Sie arbeiten werden
- Aufbau und Betrieb skalierbarer backend- und KI-Infrastrukturen, die Echtzeit- und Batch-Workloads mit Fokus auf Leistung, Zuverlässigkeit und Mandantenfähigkeit unterstützen.
- Entwurf und Wartung von Bereitstellungs-Workflows über Dienste und Umgebungen hinweg, einschließlich Versionierung, gestaffelter Rollouts, automatisierter Releases, Überwachung und sicherer Rollback-Strategien.
- Aufbau und Betrieb von LLM- und agentenbasierten Systemen in der Produktion, Integration von Modell-Providern, APIs, Gateways, Tools und externen Diensten unter Berücksichtigung von Ratenbegrenzungen, Zuverlässigkeit, Leitplanken und schrittweiser Herabstufung.
- Entwicklung wiederverwendbarer Dienste, APIs, Automatisierung und Datenpipelines, die KI-gestützte Produkte und interne Plattformfunktionen unterstützen.
- Erweiterung der Infrastruktur als Code über die gesamte Plattform hinweg unter Verwendung von Terraform und wiederverwendbaren Mustern zur konsistenten Bereitstellung und Verwaltung von Cloud-Diensten über Projekte und Umgebungen hinweg.
- Wartung von GitOps-basierten Bereitstellungs-Workflows mit Tools wie ArgoCD, Verbesserung der Automatisierung und Konsistenz über Umgebungen und Mandanten hinweg.
- Ausführung verteilter Workloads auf Kubernetes (GKE), Verwaltung von Skalierung, Workload-Platzierung, Mandantenisolierung, Service-Zuverlässigkeit und Infrastrukturkapazität.
- Verbesserung der Plattform-Observability und Zuverlässigkeit durch Metriken, Logging, Tracing, SLOs, Alarmierung, Incident-Response-Praktiken und operative Tools.
- Identifizierung von Leistungs- und Infrastrukturkosteneinsparungen über Cloud-Dienste, Rechenressourcen, APIs und KI-Workloads hinweg.
- Nutzung von agentenbasiertem Coding und KI-Entwicklungstools zur Beschleunigung von Ingenieurarbeiten, einschließlich der Erstellung von Services, der Generierung und Überprüfung von Infrastruktur- und Anwendungscode, der Fehlersuche und der Automatisierung repetitiver Workflows.
Muss haben
- 5+ Jahre Erfahrung in Platform Engineering, SRE oder Infrastruktur, mit nennenswerter Zeit im Betrieb von Produktionssystemen in großem Maßstab.
- Starke SRE/DevOps-Grundlagen. Sie waren für die Zuverlässigkeit von Produktionsdiensten verantwortlich, haben SLOs definiert und gemessen, Post-Mortems durchgeführt und messbare Verbesserungen erzielt.
- Tiefgreifende Terraform-Expertise. Sie verwalten aktiv komplexe Terraform-Zustände, wiederverwendbare Module und Multi-Projekt-Konfigurationen in der Produktion, mit CI-gesteuerten Plan/Apply-Workflows.
- Starke GitOps-Erfahrung (ArgoCD oder Flux in der Produktion). Sie verstehen deklaratives Infrastrukturmanagement in der Tiefe und haben Meinungen dazu, wie man es gut macht.
- Tiefgreifende Kubernetes-Kenntnisse. Sie haben Cluster in der Produktion betrieben, mit echten Ausfallmodi umgegangen und das System auf der Ebene der Steuerungsebene verstanden.
- Starke Cloud-Infrastrukturkenntnisse in mindestens einer großen Public Cloud (AWS, Azure oder GCP), einschließlich Netzwerk, Compute, IAM, Speicher und Multi-Account- oder Multi-Projekt-Design.
- Praktische Erfahrung im Aufbau und Betrieb von CI/CD-Pipelines (GitHub Actions, Cloud Build, GitLab CI oder Äquivalent).
- Automatisierungs-First-Denken auf Senior-Niveau. Sie implementieren Systeme, die ganze Kategorien manueller Arbeit eliminieren.
- Aktiver Nutzer von agentenbasierten Coding-Tools. Sie wissen, wie man sie effektiv steuert, ihre Ausgabe kritisch überprüft und sie zur Vervielfachung Ihrer Leistung einsetzt.
- Starke Kommunikationsfähigkeiten. Sie können operative Entscheidungen, technische Kompromisse und Incident-Zusammenfassungen klar für Ingenieure und Führungskräfte formulieren.
Nice to have
- MLOps-Erfahrung, einschließlich praktischer Erfahrung mit der Bereitstellung und dem Betrieb von ML- oder KI-Workloads in der Produktion.
- Starke GCP-Erfahrung, einschließlich VPC-Networking, Compute Engine, IAM, Cloud Storage, Multi-Projekt- oder Organisationsdesign und GKE (Standard und/oder Autopilot).
- Praktische Erfahrung mit GCP-Datendiensten, insbesondere BigQuery in der Produktion: Partitionierung und Clusterbildung, Abfragekosten- und Leistungsoptimierung sowie IAM auf Datensatzebene. Vertrautheit mit mindestens einem der folgenden Dienste: Dataflow, Pub/Sub oder Dataproc.
- Erfahrung mit GPU/Beschleuniger-Scheduling und Node-Lifecycle-Management in der Produktion (z. B. GKE Node Auto-Provisioning, GPU-Zeiten-Sharing oder Äquivalent).
- Erfahrung im Betrieb von LLM-Inferenz in großem Maßstab, Verwaltung von Anbieterkontingenten/Ratenbegrenzungen (TPS/TUPS), Gateways, Caching und Leitplanken (z. B. Vertex AI, Gemini API oder Äquivalent).
- Erfahrung mit ML-Pipeline- und Orchestrierungstools wie Argo Workflows, Kubeflow, Cloud Composer/Airflow, Vertex AI Pipelines oder Äquivalent.
- Erfahrung mit Modell-Registern, Feature Stores und Experiment-Tracking (z. B. MLflow, Feast oder Äquivalent).
- Vertrautheit mit Modell- und Daten-Drift-Überwachung und ML-spezifischer Observability.
- Hintergrund in FinOps: Zuordnung von Inferenzkosten, Planung von Committed Use Discounts (CUDs) und Reservierungen sowie Prognose von Beschleunigerkapazitäten.
- Vertrautheit mit Dateninfrastrukturen wie Objektspeicher, CDC-Pipelines oder Lakehouse-Mustern.
- Erfahrung mit Multi-Tenant-Infrastrukturen: Isolationsmuster, Minderung von „Noisy Neighbors“ und Verwaltung des Mandantenlebenszyklus.
- Vorerfahrung in der Skalierung von ML- oder Plattforminfrastrukturen bei einem Startup, das sich in Richtung Enterprise-Anforderungen entwickelt.
Standort: Remote in LATAM
Bezahlung in USD
Arbeitszeiten: EST Zeitzone
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen