Workload Orchestration Ingegnere — Roche

Descrizione completa

A Roche puoi presentarti come te stesso, abbracciato per le qualità uniche che porti. La nostra cultura incoraggia l'espressione personale, il dialogo aperto e i legami genuini, dove siete valorizzati, accettati e rispettati per chi siete, permettendovi di prosperare sia personalmente che professionalmente. Questo è il modo in cui vogliamo prevenire, fermare e curare le malattie e garantire che tutti abbiano accesso alla salute oggi e per le generazioni a venire. Unisciti a Roche, dove ogni voce conta.

La posizione Descrizione del lavoro

Come Ingegnere di Orchestrazione del carico di lavoro all'interno del team Accelerated Compute Engineering (ACE), sarai responsabile della supervisione e del potenziamento della nostra pila tecnologica di orchestrazione del carico di lavoro su entrambe le nostre piattaforme di calcolo ad alta efficienza (HPC) e AI Factory leader del settore. Con la rapida espansione della nostra infrastruttura di calcolo, la pianificazione efficiente, la gestione e la massimizzazione dell'utilizzo dei nostri ambienti CPU e GPU è fondamentale. Possiederai la distribuzione, la configurazione e la messa a punto di piattaforme di orchestrazione che programmano carichi di lavoro computazionali massicci e paralleli. Con l'implementazione di robuste politiche di pianificazione per i flussi di lavoro scientifici tradizionali e moderni carichi di lavoro AI containerizzati, colmare il divario tra la capacità di elaborazione pesante e l'esecuzione efficiente. Il vostro lavoro assicurerà direttamente che i ricercatori, gli scienziati di dati e gli ingegneri di Roche possono eseguire senza soluzione di continuità la formazione del modello AI su larga scala e simulazioni di scienza computazionale su scala.

Descrizione della zona

Hosting e Infrastructure (HI) fornisce infrastrutture on-premise mission-critical, cloud hosting, connettività e prodotti tecnologici che consentono a tutte le funzioni di ogni sito Roche di sviluppare, innovare, collegare e fornire prodotti digitali conformi in tutta la Roche Enterprise. Il team Value Streams - Accelerated Compute Engineering (ACE) è focalizzato sulla guida del successo del cliente e del successo della piattaforma, agendo come centro di eccellenza e di consegna per il Compute ad alte prestazioni e l'infrastruttura AI che supporta casi di utilizzo AI e HPC su Roche. Questo team facilita l'installazione e l'adozione senza soluzione di continuità per i clienti verticali aziendali che necessitano di una elaborazione accelerata, aiutando i consumatori di infrastrutture con esigenze ottimizzate per l'elevata disponibilità, il trasferimento di dati senza soluzione di continuità, la flessibilità, la velocità e le esigenze in rapida evoluzione dell'AI, aiutando a raggiungere tempi rapidi per il valore.

Responsabilità del lavoro

Orchestrazione Stack Deployment & Governance

• Progettare, implementare e mantenere l'ecosistema SLURM Workload Manager nelle nostre architetture cluster HPC, garantendo elevata disponibilità e distribuzione ottimale delle risorse.
• Distribuire e gestire Run:ai come il livello di orchestrazione e virtualizzazione principale per la AI Factory, consentendo allocazione di GPU frazionarie e allocazione di risorse dinamiche.
• Valutare, architetto e implementare le integrazioni SLURM Slinky laddove necessario per collegare senza soluzione di continuità l'orchestrazione AI basata su Kubernetes con le risorse tradizionali del cluster HPC.

Ottimizzazione di container e carichi di lavoro

• Definire le migliori pratiche e strutture per l'esecuzione scientifica containerizzata, utilizzando Singularity/Apptainer e/o Enroot per fornire ambienti di performance sicuri e riproducibili per HPC.
• Traduci i requisiti dell'utente e del carico di lavoro in parametri di programmazione ottimizzati (ad esempio, programmazione di topologia-aware, scaling multi-nodo).
• Le code di programmazione del profilo e del suono, i parametri di qualità del servizio (QoS) e le politiche di fair-share per massimizzare l'efficienza multi-tenant.

Affidabilità della piattaforma e Telemetria

• Partner con gli ingegneri di Osservabilità per implementare dashboard di monitoraggio, telemetria e reporting per monitorare l'efficienza del programmatore, i tempi di attesa della coda e i tassi di utilizzo dell'hardware.
• Risoluzione dei problemi di guasti complessi del carico di lavoro, compresi i problemi di sincronizzazione della formazione distribuita, le strozzature di comunicazione MPI e le incompatibilità del driver.
• Mantenere i modelli di configurazione-as-code per il livello di programmazione, sfruttando l'automazione per distribuire uniformemente le politiche di cluster.

Qualifiche Istruzione /