AI Infrastructure Engineer

About The Team & Mission 42dot의 AI 인프라 엔지니어는 여러 데이터 센터에 걸쳐 있는 수천 개의 GPU를 관리하며, 이를 효율적으로 오케스트레이션하는 고성능 AI 인프라를 운영합니다. 세계 최고 수준의 컴퓨팅 환경을 유지하기 위해 확장성, 모니터링 및 운영 최적화 전반에 기여하게 됩니다. At 42dot, our AI Infrastructure Engineer manages the high-performance AI infrastructure orchestrating thousands of GPUs across multiple data centers. You will contribute to the scaling, monitoring, and operational optimization required to maintain a robust and world-class computing environment. Responsibilities Kubernetes 및 Slurm을 활용하여 여러 데이터 센터에 분산된 수천 개 규모의 대규모 GPU 클러스터 운영 및 유지 보수GPU 하드웨어 및 소프트웨어 스택 전반의 장애를 모니터링하고 진단하여 고가용성 유지 및 신속한 장애 복구 수행Python 또는 Shell을 활용한 자동화 도구 및 스크립트를 개발하여 반복적인 인프라 관리 업무를 효율화GPU 리소스 쿼터(Quota) 관리 및 ML 개발자를 위한 기술 지원을 통해 컴퓨팅 자원의 최적 활용 보장대규모 자율주행 모델 학습을 위한 분산 학습 환경의 아키텍처 설계 및 성능 튜닝 참여Operate and maintain a large-scale GPU cluster consisting of thousands of GPUs across multiple data centers using Kubernetes and Slurm.Monitor and diagnose failures across the GPU hardware and software stacks to ensure high availability and rapid recovery.Develop automation tools and scripts using Python or Shell to streamline repetitive infrastructure management tasks and improve operational efficiency.Manage GPU resource quotas and provide technical support to ML researchers to ensure optimal utilization of computing resources.Participate in the architectural design and performance tuning of distributed training environments for large-scale autonomous driving models. Qualifications Linux 운영체제에 대한 깊은 이해 (커널 동작, 프로세스 관리, 시스템 보안 등)Docker 및 Kubernetes 등 컨테이너 기반 기술 및 오케스트레이션 실무 경험TCP/IP, HTTP(S) 등 네트워크 기본 원리에 대한 이해 및 기초적인 네트워크 트러블슈팅 능력Python 또는 Shell을 활용하여 유지보수가 용이한 자동화/시스템 관리 스크립트 작성 역량복잡하고 거대한 시스템에서 근본 원인을 찾아 해결하는 논리적인 문제 해결 능력다양한 유관 부서 및 파트너와 원활하게 소통할 수 있는 커뮤니케이션 역량Strong proficiency in Linux operating systems, including a solid understanding of kernel operations, process management, and system security.Practical experience with containerization technologies (Docker) and orchestration (Kubernetes), including building, managing, and troubleshooting containerized environments.Solid understanding of networking fundamentals, including TCP/IP and HTTP(S), with the ability to perform basic network troubleshooting.Ability to write clean and maintainable scripts in Python or Shell for automation and system administration.Logical approach to problem-solving with the persistence to identify and resolve root causes in complex, large-scale systems.Strong communication skills to effectively collaborate with cross-functional teams and external partners. Preferred Qualifications Prometheus, Grafana, Datadog 등을 활용한 대규모 클러스터의 관측성(Observability) 스택 구축 경험AWS, GCP 등 퍼블릭 클라우드 플랫폼 상의 인프라 구축 및 운영 경험드라이버, CUDA, NCCL 등을 포함한 NVIDIA 가속 컴퓨팅 스택에 대한 지식ML 모델 학습 라이프사이클 및 PyTorch, TensorFlow 등 딥러닝 프레임워크에 대한 이해Kubernetes 또는 Slurm과 같은 대규모 워크로드 매니저 및 리소스 스케줄링 도구 활용 경험Terraform 등 Infrastructure as Code(IaC) 도구를 활용한 복잡한 인프라 관리 경험Experience in building observability stacks with Prometheus, Grafana, and Datadog for large-scale clusters.Experience in building or operating infrastructure on public cloud platforms such as AWS or GCP.Knowledge of the NVIDIA accelerated computing stack, including drivers, CUDA, and NCCL.Familiarity with the ML model training lifecycle and deep learning frameworks such as PyTorch or TensorFlow.Experience with large-scale workload managers or resource scheduling tools such as Kubernetes or Slurm.Familiarity with Infrastructure as Code (IaC) tools such as Terraform to manage complex infrastructure. ※ Please review the following information before applying. How to work in 42dot, About 42dot Way →