HPC-Ingenieur

High-Performance Computing (HPC)-Ingenieur – (Stockholm, Schweden)

Übersicht

Unser wachstumsstarker Technologiekunde sucht einen erfahrenen High-Performance Computing (HPC)-Ingenieur Sie unterstützen die Konzeption, den Aufbau und den Betrieb von großskaligen Rechenplattformen für anspruchsvolle Workloads (z. B. KI/ML, Simulation, Rendering, Analytik und Forschung). In enger Zusammenarbeit mit Infrastruktur-, Plattform- und Forschungs-/Entwicklungsteams stellen Sie zuverlässige Systeme mit hohem Durchsatz, starker Performance, Automatisierung und umfassender Überwachung bereit.

Key Responsibilities

• Entwurf, Bereitstellung und Unterstützung HPC-Cluster (On-Premise / Colocation / Cloud-Anbindung) mit Fokus auf Leistung, Ausfallsicherheit und Skalierbarkeit.
• Verwalten und optimieren Linux-basiert Rechenumgebungen (Bereitstellung, Patching, Kernel-/Treiberoptimierung, Benutzerzugriff, Härtung).
• Implementieren und pflegen Arbeitslastplanung und Clustermanagement (z. B. Slurm oder ein gleichwertiges System), einschließlich Partitionen/Warteschlangen, Fair-Share-Richtlinien und Verbesserungen der Jobeffizienz.
• Unterstützung GPU-beschleunigt Umgebungen (sofern zutreffend): Treiber-/Toolkit-Management, Leistungsprofilierung, Stabilitäts-Fehlerbehebung.
• Bauen und pflegen Automatisierung für Cluster-Lebenszyklusoperationen (IaC, Konfigurationsverwaltung, CI/CD-ähnliche Operationen).
• Arbeiten Sie mit den Netzwerk- und Speicherteams zusammen, um eine hohe Durchsatzrate und geringe Latenz im gesamten Stack zu gewährleisten.
• Eigenverantwortliche Reaktion auf Störungen und Problemmanagement für HPC-Dienste; Leitung von Ursachenanalysen und präventiven Verbesserungen.
• Entwicklung von Überwachungs-, Protokollierungs- und Kapazitätsplanungssystemen zur Erreichung der Durchsatz- und Verfügbarkeitsziele.
• Erstellen Sie aussagekräftige Dokumentationen (Betriebshandbücher, Architekturskizzen, Betriebsstandards) und tragen Sie zur kontinuierlichen Verbesserung bei.

Erforderliche Fähigkeiten und Erfahrungen

• Fundierte praktische Erfahrung als HPC-Ingenieur / Linux-Systemingenieur / Infrastruktur-Ingenieur in leistungskritischen Umgebungen.
• Fundierte Linux-Administrationskenntnisse (systemd, Netzwerk-Grundlagen, Speicherverwaltung, Leistungsoptimierung, Fehlerbehebung).
• Erfahrung im Betrieb von HPC- oder Großrechnerplattformen, einschließlich einer oder mehrerer der folgenden:
• Planer / Clustermanager (Slurm bevorzugt; PBS, LSF, Kubernetes für Batch-Verarbeitung usw.)
• GPU-Berechnung (NVIDIA-Treiber/CUDA, NCCL-Kenntnisse, Profiling-Tools)
• MPI und Konzepte des verteilten Rechnens (OpenMPI/MPICH-Verständnis)
• Solide Kenntnisse in Skriptsprachen/Automatisierung (Bash, Python; plus Ansible/Terraform oder ähnliches).
• Praktisches Verständnis von Beobachtbarkeit (Metriken, Protokolle, Tracing) und die Verwendung von Monitoring-Stacks zur Steigerung der Zuverlässigkeit.
• Gute Kenntnisse der in HPC verwendeten Speicher- und Datenbewegungsmuster (parallele Dateisysteme und/oder Hochleistungs-Shared-Storage-Konzepte).
• Starke Kommunikationsfähigkeiten – Fähigkeit zur Zusammenarbeit mit Plattform-, Netzwerk-, Speicher- und Anwendungsteams.

Wünschenswert / Schön zu haben

• Erfahrungen mit Hochgeschwindigkeitsverbindungen (z. B. InfiniBand, RoCE) und Fehlerbehebung in Netzwerken mit niedriger Latenz.
• Erfahrungen mit containerisiertes HPC oder hybride HPC-Workloads (Apptainer/Singularity, Docker, wo angebracht).
• Kenntnisse der Best Practices für die Sicherheit in gemeinsam genutzten Rechenumgebungen (Prinzip der minimalen Berechtigungen, Überwachung, Umgang mit Geheimnissen).
• Hintergrundwissen zur Unterstützung von KI/ML-Infrastrukturen im großen Maßstab (GPU-Flottenbetrieb, Jobeffizienz, Kapazitätsoptimierung).

Standort & Arbeitsmodell

• Stockholm, Schweden (lokal ansässig).
• Arbeitendes Model: Hybrid/Vor Ort abhängig von den betrieblichen Erfordernissen.

So sieht Erfolg aus

• Stabile, leistungsstarke Cluster mit messbaren Verbesserungen bei Durchsatz, Auslastung und Erfolgsquote der Aufträge.
• Hohe Automatisierung und Wiederholbarkeit bei Bereitstellung, Konfiguration und Betrieb.
• Klare operative Vorgehensweisen (Überwachung, Alarmierung, Betriebshandbücher), die die mittlere Reparaturzeit (MTTR) verkürzen und die Zuverlässigkeit verbessern.

Nächste Schritte

• Bitte senden Sie mir Ihren aktuellen Lebenslauf, der dieser Stellenbeschreibung entspricht, sowie Ihre Kontaktdaten.