Site Reliability Engineer

Die Rolle

Join our high-performing Site Reliability Engineering (SRE) team und spielen Sie eine wichtige Rolle bei der Gewährleistung der Zuverlässigkeit, Stabilität und Leistung unserer Technologieplattformen durch Machine Learning (ML)-Tools wie Prometheus, Grafana, New Relic und mehr.

Rollenverantwortung

Als SRE übernehmen Sie die Verantwortung für die Service-Zuverlässigkeit und liefern Lösungen, die einen echten Einfluss haben. Ihre anfängliche Konzentration umfasst:

• Die Nutzung von KI, um die Incident-Diagnose und -Lösung zu beschleunigen
• Die Verbesserung der Beobachtbarkeit, Kapazitätsplanung und Automatisierung

Ihre tägliche Arbeit dreht sich um die Infrastruktur-Stack, Betrieb und kontinuierliche Verbesserung.

Verantwortlichkeiten

- Stellen Sie die Zuverlässigkeit und Leistung kritischer Systeme über die globale Infrastruktur hinweg durch proaktives Monitoring und schnelle Incident-Reaktion sicher. - Entwerfen und implementieren Sie Beobachtbarkeitslösungen mit Tools wie Prometheus, Datadog, ELK und Loki, um Überwachungs- und Warnfunktionen bereitzustellen. - Arbeiten Sie mit mehreren Teams zusammen, um die Systemdesign, Deploy-Praktiken und Betriebsexzellenz zu verbessern. - Trennen Sie Probleme mit Selbstvertrauen, verwalten Sie On-Call-Rotationen, große CPU/GPU-Deployments und Hochleistungs-Verteilungssysteme. - Tragen Sie zur Kapazitätsplanung und Leistungsoptimierung bei, um sicherzustellen, dass Systeme die Geschäftsanforderungen erfüllen. - Verwalten Sie mehrere ELK-Cluster, die Hunderte von Terabyte an Log-Daten, Telemetrie- und APM-Daten hosten.

Schlüsselkompetenzen

Erforderlich:

• Starkes Verständnis von SRE-Prinzipien, einschließlich SLIs, SLOs, Fehlerbudgets und Zuverlässigkeitstestpraxis
• Starkes Erfahrung und tiefes Verständnis von Tools wie Prometheus, Grafana, ELK-Stack oder ähnlich
• Kenntnisse in Automatisierungstools (Ansible, Terraform) und Skript-/Programmiersprachen (Python, Go, Perl/C)
• Starkes Fehlersuche- und Debugging-Verständnis über verteilte Systeme hinweg, mit der Fähigkeit, komplexe Produktionsprobleme unter Druck zu diagnostizieren
• Erfahrung mit Containerisierung, On-Call-Rotationen und Post-Incident-Reviews
• Vertrautheit mit Kubernetes und Container-Orchestrierungslösungen
• Proaktive Denkweise und Fähigkeit, die Verantwortung für Zuverlässigkeitsinitiativen zu übernehmen

Vorteile

- Moderne Büroflächen im OPD-Campus mit einfacher Anbindung an Verkehr und Einrichtungen - Ein hybrides Arbeitsmodell - Flexibles Vergütungspaket - 25 Tage Urlaubsgeld - Premium-Rentenprogramm - Firmenunterstütztes Programm - Mentale Gesundheit für langjährige Dienste und ehrenamtliche Tätigkeit - Zusätzliche Krankenzeit - Multifunktionale Karte - Möglichkeiten für professionelle Entwicklung, einschließlich interner Tech-Talks - Eine Kultur der Eigenverantwortung und des Engagements mit der Geschäftsgemeinschaft