포지션 상세
VESSL AI는 국내외 주요 아카데미아와 현대자동차, 티맵모빌리티, 그리고 범정부 초거대 AI 공통기반·데이터센터(B2G) 사업까지 확장하며 기술력을 검증받았습니다. 2026년 VESSL Cloud 런칭을 기점으로 전 세계 GPU를 연결하는 Infrastructure Interface로 새로운 성장에 진입합니다. CB Insights ‘2025 AI Agent Tech Stack’ 등재와 글로벌 빅테크 파트너십을 발판으로, 글로벌 시장으로의 확장을 본격화하고 있습니다.
가장 난해한 문제를 가장 단순한 실행으로 풀어 전 세계 AI 팀의 혁신 속도를 높이는 것,
이러한 우리의 비전에 공감하고 미래를 만들어갈 동료를 적극적으로 찾고 있어요. 빠르게 성장하는 AI인프라 시장에서 의미있는 도전에 함께 하세요!
＞＞ VESSL Cloud 더 알아보기 : https://blog.vessl.ai/ko/posts/vesslcloud-kr
[About the Role]
VESSL AI의 Senior Site Reliability Engineer는 VESSL GPU 클라우드 플랫폼의 가용성과 성능을 책임집니다.
메트릭·로그·트레이스 기반의 Observability 체계를 구축해 이상 징후를 조기에 탐지하고, 장애 발생 시 On-call 대응과 Root Cause Analysis를 통해 신속하게 복구하며, 반복적인 운영 작업은 자동화로 대체해 시스템 전반의 안정성과 운영 효율을 함께 끌어올립니다.
GPU 클라우드 플랫폼은 대규모 GPU 클러스터, InfiniBand·RoCE 기반 고성능 네트워크, Kubernetes·Slurm 기반 스케줄링 시스템 등 여러 레이어로 구성됩니다.
GPU 워크로드는 몇 시간에서 몇 주까지 이어지는 경우가 많고, 노드 하나의 장애나 네트워크 지연만으로도 진행 중이던 학습·추론 작업 전체가 중단될 수 있어 일반적인 웹 서비스보다 훨씬 높은 수준의 안정성이 요구됩니다.
이를 위해서는 GPU, NIC, 드라이버, 커널에서부터 스케줄러, 네트워크 패브릭에 이르기까지 시스템 전 레이어의 상태를 지속적으로 모니터링하고, 장애가 발생했을 때 원인을 빠르게 좁혀 복구하며, 반복되는 운영 작업을 자동화로 줄여나가는 기능이 필요합니다.
• Incident Response: On-call 로테이션에 참여해 장애 상황에 대응하고, Root Cause Analysis와 Postmortem을 통해 재발을 방지
• Automation: 반복되는 운영 작업(Toil)을 자동화 스크립트·파이프라인·IaC로 대체해 운영 효율을 개선
• Infra 설계 및 운영: Kubernetes, GPU 클러스터, 네트워크 등 인프라 레이어의 설계·운영에 참여하고 지속적으로 개선
• Capacity 검증 지원: 신규 인프라 배포 시 East-West/North-South 네트워크 구성, 스토리지 처리량, BIOS·펌웨어 설정 등 운영 관점의 요구사항을 정의하고 검증에 참여
• 2년 이상의 Software Engineering 경험
• Linux 시스템에 대한 이해와 트러블슈팅 경험
• Python, Go 등의 언어로 자동화 스크립트나 도구를 작성해 본 경험
• Kubernetes, Docker 등 컨테이너 오케스트레이션에 대한 기본적인 이해
• 온프레미스 또는 퍼블릭 클라우드 인프라 운영 경험, 혹은 이에 준하는 학습·실습 경험
• 장애 상황에서 데이터를 기반으로 원인을 좁혀나가는 문제 해결 능력
• On-call 로테이션에 참여 가능하신 분
가장 난해한 문제를 가장 단순한 실행으로 풀어 전 세계 AI 팀의 혁신 속도를 높이는 것,
이러한 우리의 비전에 공감하고 미래를 만들어갈 동료를 적극적으로 찾고 있어요. 빠르게 성장하는 AI인프라 시장에서 의미있는 도전에 함께 하세요!
＞＞ VESSL Cloud 더 알아보기 : https://blog.vessl.ai/ko/posts/vesslcloud-kr
[About the Role]
VESSL AI의 Senior Site Reliability Engineer는 VESSL GPU 클라우드 플랫폼의 가용성과 성능을 책임집니다.
메트릭·로그·트레이스 기반의 Observability 체계를 구축해 이상 징후를 조기에 탐지하고, 장애 발생 시 On-call 대응과 Root Cause Analysis를 통해 신속하게 복구하며, 반복적인 운영 작업은 자동화로 대체해 시스템 전반의 안정성과 운영 효율을 함께 끌어올립니다.
GPU 클라우드 플랫폼은 대규모 GPU 클러스터, InfiniBand·RoCE 기반 고성능 네트워크, Kubernetes·Slurm 기반 스케줄링 시스템 등 여러 레이어로 구성됩니다.
GPU 워크로드는 몇 시간에서 몇 주까지 이어지는 경우가 많고, 노드 하나의 장애나 네트워크 지연만으로도 진행 중이던 학습·추론 작업 전체가 중단될 수 있어 일반적인 웹 서비스보다 훨씬 높은 수준의 안정성이 요구됩니다.
이를 위해서는 GPU, NIC, 드라이버, 커널에서부터 스케줄러, 네트워크 패브릭에 이르기까지 시스템 전 레이어의 상태를 지속적으로 모니터링하고, 장애가 발생했을 때 원인을 빠르게 좁혀 복구하며, 반복되는 운영 작업을 자동화로 줄여나가는 기능이 필요합니다.
주요업무
• Reliability & Observability: 메트릭·로그·트레이스 등 Observability 스택을 구축하고, SLI/SLO를 정의해 플랫폼의 안정성을 정량적으로 추적• Incident Response: On-call 로테이션에 참여해 장애 상황에 대응하고, Root Cause Analysis와 Postmortem을 통해 재발을 방지
• Automation: 반복되는 운영 작업(Toil)을 자동화 스크립트·파이프라인·IaC로 대체해 운영 효율을 개선
• Infra 설계 및 운영: Kubernetes, GPU 클러스터, 네트워크 등 인프라 레이어의 설계·운영에 참여하고 지속적으로 개선
• Capacity 검증 지원: 신규 인프라 배포 시 East-West/North-South 네트워크 구성, 스토리지 처리량, BIOS·펌웨어 설정 등 운영 관점의 요구사항을 정의하고 검증에 참여
자격요건
• 컴퓨터공학, 전자공학, AI 등 관련 전공 학사 이상 학위 혹은 이에 준하는 실무 경험• 2년 이상의 Software Engineering 경험
• Linux 시스템에 대한 이해와 트러블슈팅 경험
• Python, Go 등의 언어로 자동화 스크립트나 도구를 작성해 본 경험
• Kubernetes, Docker 등 컨테이너 오케스트레이션에 대한 기본적인 이해
• 온프레미스 또는 퍼블릭 클라우드 인프라 운영 경험, 혹은 이에 준하는 학습·실습 경험
• 장애 상황에서 데이터를 기반으로 원인을 좁혀나가는 문제 해결 능력
• On-call 로테이션에 참여 가능하신 분
