Hårdvarudistributionsingenjör

SpaceXAI:s uppdrag är att skapa AI-system som exakt kan förstå universum och hjälpa mänskligheten i dess strävan efter kunskap. Vårt team är litet, högt motiverat och fokuserat på teknisk excellens. Denna organisation är för individer som uppskattar att utmana sig själva och som drivs av nyfikenhet. Vi arbetar med en platt organisationsstruktur. Alla anställda förväntas vara praktiskt lagda och bidra direkt till företagets uppdrag. Ledarskap ges till dem som visar initiativförmåga och konsekvent levererar excellens. Arbetsmoral och starka prioriteringsförmågor är viktiga. Alla anställda förväntas ha starka kommunikationsfärdigheter och kunna dela kunskap med sina teamkamrater på ett koncist och korrekt sätt. OM ROLLEN: Som ledare för hårdvarudistributionsingenjörer kommer du att ansvara för den kompletta driftsättningen av GPU-beräkningshårdvara för världens största AI-träningskluster. Du kommer att bygga och leda ett dedikerat internt team för hårdvarudistribution som ansvarar för L11-integration, driftsättning och reparationer efter L11 av system i GB300-klassen över flera datahallar samtidigt. Ditt teams genomströmning avgör direkt hur snabbt xAI kan beräkna online — detta är en av de mest kritiska aktiviteterna i företaget. Du kommer att fastställa distributionshandboken, hålla hårdvaruleverantörer ansvariga enligt SLA:er och institutionalisera processer så att klusterdistributionen endast begränsas av hårdvarutillgång och ström, aldrig av distributionshastigheten. Tjänsten är baserad i Memphis, TN. ANSVARSOMRÅDEN: - Leda, anställa och utveckla ett dedikerat team för hårdvarudistribution (distributionstekniker och reparationstekniker) med fullt ägarskap över teamstruktur och bemanning. - Ansvara för L11-rackintegration och driftsättning av beräkningshårdvara över flera datahallar samtidigt, från leveransdocka till hälsosam produktionsöverlämning. - Driva aggressiva tidsplaner för driftsättning: uppnå 95%+ nodtillgänglighet inom några dagar efter rackleverans och 100% avslut inom en vecka per datahall. - Ansvara för hårdvarans hälsa efter L11: genomföra systematiska hälsokontroller för att upprätthålla mer än 98% nodtillgänglighet före överlämning till drift. - Internalisera reparationer av hårdvara som inte omfattas av RMA för att maximera återvinning av hårdvara, minimera reparationsköer och minska beroendet av OEM-ledtider. - Utveckla och genomdriva leverantörs-SLA:er för OEM- och leverantörsansvar; förhindra ansamling av oreparerad hårdvara ("benhögar") och reparationsköer före överlämning till drift. - Utföra rotorsaksanalys av hårdvarufel som upptäcks under L11 och driva korrigerande åtgärder med leverantörer och interna ingenjörsteam. - Samarbeta med platsdrift gällande felsökning och reparation av hårdvara, samt utbilda driftteam för att stödja framtida datacenterutbyggnader. - Bygga, dokumentera och kontinuerligt förbättra distributionsprocesser, verktyg och utbildning så att driftsättningskapaciteten kan skalas över platser och framtida hårdvarugenerationer. GRUNDKRAV: - 5+ års praktisk erfarenhet av att distribuera, integrera eller reparera beräknings-/serverhårdvara i datacenter-skala. - Direkt erfarenhet av L11 (rack-nivå) integration och driftsättning av GPU- eller acceleratorbaserade system. - Dokumenterad erfarenhet av att leda tekniker- eller ingenjörsteam i en snabb miljö för distribution, tillverkning eller datacenter. - Djupa felsökningskunskaper inom servrar, GPU:er, NVLink/fabric-interconnects, höghastighetsnätverk och vätskekylningssystem. - Villighet att arbeta på plats i Memphis, TN, inklusive utökade arbetstider och helger under kritiska driftsättningsfaser. FÖRETRÄDA SKILLS OCH ERFARENHET: - Erfarenhet av NVIDIA GB200/GB300 NVL72 eller liknande rack-skaliga vätskekylda GPU-system. - Erfarenhet av att starta ett nytt team eller en ny funktion, inklusive rekrytering, utbildning och processutveckling från grunden. - Erfarenhet av att hantera OEM/ODM-leverantörsrelationer (t.ex. Dell, Supermicro), inklusive definition och genomdrivande av SLA. - Erfarenhet av hårdvarufelanalys, RMA-processer och reparationsstrategier på komponentnivå i stor skala. - Erfarenhet av datacenterautomation, burn-in/valideringsverktyg och telemetri för hårdvaruhälsa. - Dokumenterad förmåga att driva betydande förbättringar i distributionshastighet eller kostnad (t.ex. genom att internalisera arbete som tidigare utförts av OEM).