Job description
Londres
- 1 j/sem on-site + remote / Démarrage mi-juin 2026 Contexte Notre client — éditeur SaaS international — construit une plateforme de calcul distribué GPU-accelerated sur AWS. L'objectif : exécuter des workloads de calcul intensif sur des GPUs partagés en mode service, à grande échelle. Le projet est 100 % greenfield. Les choix d'architecture sont posés, mais le code distribué n'est pas encore en production. L'équipe SRE centrale gère l'infrastructure sous-jacente — ce rôle consiste à construire le tooling et la couche opérationnelle au-dessus. C'est un rôle software engineering en premier lieu — observabilité, tooling, cloud ops — avec une dimension HPC. Pas un poste d'infra. Ce que tu vas construire Fondations techniques de l'équipe
- Les pipelines CI/CD et environnements de développement pour l'ensemble de l'équipe engineering dès le premier jour
- Le provisioning et la gestion des instances GPU sur AWS (EC2, EKS, IAM, VPC)
- Les outils de benchmarking GPU et de scheduling des runs de performance sur instances cloud Observabilité de bout en bout
- L'instrumentation complète des services distribués : distributed tracing de bout en bout avec propagation de contexte dans les messages Apache Pulsar, logs structurés, métriques de performance
- Des dashboards de performance sur l'ensemble du cluster et des outils d'analyse comparative entre versions
- Un framework de validation automatique des outputs GPU versus référence CPU (correction numérique) Contexte distribué dans lequel tu interviens L'équipe construit des services worker/consumer sur Apache Pulsar, des pipelines de données entre nœuds CPU, nœuds GPU et stockage haute performance (Lustre/FSx), avec des mécanismes de fault tolerance et back-pressure sur des workloads de calcul intensif. Tu opères et instrumentes cette couche — tu n'en es pas le seul auteur, mais tu dois la comprendre en profondeur. Environnement technique Apache Pulsar
- AWS (EC2, EKS, IAM, VPC)
- Kubernetes
- Lustre / FSx for Lustre
- Go ou Rust
- Open. Telemetry / Jaeger
- Prometheus / Grafana
- CI/CD Profil recherché Ce qu'on cherche vraiment :
- Un ingénieur qui a construit du tooling de production pour des systèmes distribués — observabilité, CI/CD, benchmarking — pas uniquement de la configuration d'infra
- Maîtrise de l'observabilité de bout en bout : distributed tracing (Jaeger, Open. Telemetry), métriques, logs structurés
- Capacité à écrire du code robuste en Rust ou équivalent — ce rôle nécessite du software engineering, pas uniquement de l'IaC
- AWS et Kubernetes en production
- Anglais courant — l'équipe est internationale, basée à Londres Signaux positifs :
- Expérience messaging distribué — Kafka, Pulsar, RabbitMQ, NATS
- Expérience GPU ou HPC : environnements de calcul intensif, benchmarking, stockage haute performance (Lustre, GPFS)
- RDMA ou transport inter-nœuds haute performance
- Rust (un vrai plus)
- Kubernetes Operator ou controller custom en Go
- Contexte scale-up / produit technique : gaming, fintech, SaaS B2B à grande échelle