Expert kubernetes /ia (h/f) : kubernetes, prometheus

EXPERT KUBERNETES / IA (H/F)Contexte de la mission

Nous recherchons pour le compte de notre client un(e) Expert(e) Kubernetes / IA pour assurer l’exploitation, la disponibilité, la performance et la stabilité d’un cluster IA reposant sur des infrastructures GPU/CPU, réseau et stockage.

Le profil recherché devra également contribuer à l’automatisation de l’exploitation, au traitement des incidents et à l’amélioration continue de l’infrastructure.

Missions principales

Maintien en condition opérationnelle – MCO

• Garantir la disponibilité, la performance et la stabilité du cluster IA.

• Administrer les nœuds GPU/CPU, les infrastructures de stockage et les composants réseau.

• Assurer le suivi et l’optimisation des ressources de l’infrastructure.

• Piloter les opérations de maintenance et les mises à jour techniques.

Administration Linux

• Installer, configurer et administrer les environnements Linux Ubuntu.

• Réaliser les opérations d’optimisation et de troubleshooting.

• Administrer et mettre à jour les pilotes NVIDIA, CUDA et composants associés.

Kubernetes

• Administrer et exploiter les environnements Kubernetes.

• Réaliser les déploiements, le scaling et la gestion de la haute disponibilité (HA).

• Assurer le maintien en conditions opérationnelles des clusters.

• Piloter les mises à jour des composants Kubernetes.

• Gérer les problématiques liées aux ressources et à la capacité des clusters.

Supervision et observabilité

• Mettre en place et maintenir la supervision des infrastructures.

• Exploiter Prometheus et Grafana pour le monitoring et l’analyse des performances.

• Identifier les anomalies et anticiper les incidents grâce à une approche proactive.

Automatisation

• Automatiser les tâches d’administration et d’exploitation avec Ansible.

• Développer et maintenir des scripts Bash et Python.

• Optimiser les processus opérationnels afin de réduire les tâches manuelles.

Gestion des jobs IA / GPU

• Assurer l’ordonnancement des tâches et jobs GPU.

• Gérer les quotas, priorités et ressources GPU.

• Optimiser l’allocation des ressources CPU/GPU.

Gestion des incidents

• Prendre en charge les incidents techniques complexes.

• Réaliser les analyses de causes racines et les post-mortems.

• Définir et suivre les plans d’actions correctifs.

• Coordonner les interventions avec les différentes équipes techniques.

Documentation

• Rédiger et maintenir la documentation d’exploitation.

• Formaliser les procédures techniques et les consignes de maintenance.

• Garantir la traçabilité et la continuité des opérations.