AI Infrastructure Engineer

소개

About the Team & Mission 42dot의 AI 인프라 엔지니어는 여러 데이터 센터에 걸쳐 있는 수천 개의 GPU를 관리하며, 이를 효율적으로 오케스트레이션하는 고성능 AI 인프라를 운영합니다. 세계 최고 수준의 컴퓨팅 환경을 유지하기 위해 확장성, 모니터링 및 운영 최적화 전반에 기여하게 됩니다. At 42dot, our AI Infrastructure Engineer manages the high-performance AI infrastructure orchestrating thousands of GPUs across multiple data centers. You will contribute to the scaling, monitoring, and operational optimization required to maintain a robust and world-class computing environment.

주요업무

• Kubernetes 및 Slurm을 활용하여 여러 데이터 센터에 분산된 수천 개 규모의 대규모 GPU 클러스터 운영 및 유지 보수 • GPU 하드웨어 및 소프트웨어 스택 전반의 장애를 모니터링하고 진단하여 고가용성 유지 및 신속한 장애 복구 수행 • Python 또는 Shell을 활용한 자동화 도구 및 스크립트를 개발하여 반복적인 인프라 관리 업무를 효율화 • GPU 리소스 쿼터(Quota) 관리 및 ML 개발자를 위한 기술 지원을 통해 컴퓨팅 자원의 최적 활용 보장 • 대규모 자율주행 모델 학습을 위한 분산 학습 환경의 아키텍처 설계 및 성능 튜닝 참여 • Operate and maintain a large-scale GPU cluster consisting of thousands of GPUs across multiple data centers using Kubernetes and Slurm. • Monitor and diagnose failures across the GPU hardware and software stacks to ensure high availability and rapid recovery. • Develop automation tools and scripts using Python or Shell to streamline repetitive infrastructure management tasks and improve operational efficiency. • Manage GPU resource quotas and provide technical support to ML researchers to ensure optimal utilization of computing resources. • Participate in the architectural design and performance tuning of distributed training environments for large-scale autonomous driving models.

자격요건

• Linux 운영체제에 대한 깊은 이해 (커널 동작, 프로세스 관리, 시스템 보안 등) • Docker 및 Kubernetes 등 컨테이너 기반 기술 및 오케스트레이션 실무 경험 • TCP/IP, HTTP(S) 등 네트워크 기본 원리에 대한 이해 및 기초적인 네트워크 트러블슈팅 능력 • Python 또는 Shell을 활용하여 유지보수가 용이한 자동화/시스템 관리 스크립트 작성 역량 • 복잡하고 거대한 시스템에서 근본 원인을 찾아 해결하는 논리적인 문제 해결 능력 • 다양한 유관 부서 및 파트너와 원활하게 소통할 수 있는 커뮤니케이션 역량 • Strong proficiency in Linux operating systems, including a solid understanding of kernel operations, process management, and system security. • Practical experience with containerization technologies (Docker) and orchestration (Kubernetes), including building, managing, and troubleshooting containerized environments. • Solid understanding of networking fundamentals, including TCP/IP and HTTP(S), with the ability to perform basic network troubleshooting. • Ability to write clean and maintainable scripts in Python or Shell for automation and system administration. • Logical approach to problem-solving with the persistence to identify and resolve root causes in complex, large-scale systems. • Strong communication skills to effectively collaborate with cross-functional teams and external partners.

우대사항

• Prometheus, Grafana, Datadog 등을 활용한 대규모 클러스터의 관측성(Observability) 스택 구축 경험 • AWS, GCP 등 퍼블릭 클라우드 플랫폼 상의 인프라 구축 및 운영 경험 • 드라이버, CUDA, NCCL 등을 포함한 NVIDIA 가속 컴퓨팅 스택에 대한 지식 • ML 모델 학습 라이프사이클 및 PyTorch, TensorFlow 등 딥러닝 프레임워크에 대한 이해 • Kubernetes 또는 Slurm과 같은 대규모 워크로드 매니저 및 리소스 스케줄링 도구 활용 경험 • Terraform 등 Infrastructure as Code(IaC) 도구를 활용한 복잡한 인프라 관리 경험 • Experience in building observability stacks with Prometheus, Grafana, and Datadog for large-scale clusters. • Experience in building or operating infrastructure on public cloud platforms such as AWS or GCP. • Knowledge of the NVIDIA accelerated computing stack, including drivers, CUDA, and NCCL. • Familiarity with the ML model training lifecycle and deep learning frameworks such as PyTorch or TensorFlow. • Experience with large-scale workload managers or resource scheduling tools such as Kubernetes or Slurm. • Familiarity with Infrastructure as Code (IaC) tools such as Terraform to manage complex infrastructure.

혜택 및 복지

[42dot만의 업무 몰입 프로그램] https://42dot.ai/careers/program