Práctica de Ingeniería de Confiabilidad de Sitios

Visión general: Fiabilidad y excelencia operativa

El Ingeniero de Confiabilidad de Sitios (SRE) es responsable de la estabilidad, el rendimiento y la escalabilidad integrales de nuestra plataforma de comercio electrónico de cadena de suministro integrada. Aplicarás principios de ingeniería de software a las operaciones, garantizando la alta disponibilidad y la resiliencia de la tienda en línea orientada al cliente, las herramientas SaaS internas (WMS, OMS) y los servicios especializados de agentes de IA.

Detalles de la pasantía

Duración: 3 meses

Fecha de inicio: Inmediata

Ubicación: Remoto

Estipendio: Ninguno al inicio. Según tu desempeño en el primer trimestre, podrías recibir una oferta de puesto remunerado a tiempo completo o incluso ser contratado directamente por el cliente como FTE.

Responsabilidades clave y proyectos principales

Serás el responsable del tiempo de actividad, el rendimiento y las operaciones automatizadas de los sistemas que gestionan el flujo crítico MES → WMS → OMS.

• Gestión de disponibilidad y SLO: Definir, implementar y dar seguimiento a los Objetivos de Nivel de Servicio (SLO) y a los Indicadores de Nivel de Servicio (SLI) para los procesos de negocio principales y todas las capas de aplicación. Gestionar el Acuerdo de Nivel de Servicio (SLA) general de la plataforma.

• Observabilidad y alertas: Diseñar, mantener y optimizar la pila completa de observabilidad (Prometheus, Grafana, Loki, Tempo, OpenTelemetry). Desarrollar alertas de alta fidelidad y garantizar el rastreo distribuido en el monolito modular NestJS y los almacenes de datos asociados (PostgreSQL, Redis).

• Respuesta y revisión de incidentes: Liderar el flujo de respuesta ante incidentes, garantizando una clasificación, mitigación y análisis de causa raíz rápidos. Realizar revisiones exhaustivas posteriores a los incidentes para impulsar la mejora continua y eliminar el trabajo repetitivo recurrente.

• Escalabilidad y planificación de capacidad: Optimizar las políticas de autoescalado de todos los servicios que se ejecutan en contenedores Docker. Realizar la planificación de capacidad con base en proyecciones de negocio, especialmente para la carga máxima del comercio electrónico y la manufactura.

• Recuperación ante desastres (DR): Diseñar, implementar y probar periódicamente los procedimientos de recuperación ante desastres, incluidos los flujos de respaldo y restauración para PostgreSQL 15 mediante herramientas como pgBackRest.

• Automatización: Eliminar el trabajo operativo repetitivo mediante la automatización, gestionando la infraestructura como código (Terraform) y los pipelines de CI/CD (Makefile).

Tecnologías y herramientas requeridas

Los candidatos deben tener amplia experiencia en operaciones en la nube, observabilidad y automatización de infraestructura:

• Pila de observabilidad: Prometheus, Grafana, Loki, Tempo, OpenTelemetry (obligatorio).

• Infraestructura y plataforma: Terraform, Docker, Traefik, máquinas virtuales gratuitas de Oracle Cloud (o equivalente en nube pública).

• Datos y resiliencia: PostgreSQL (conocimiento profundo), Redis, pgBackRest.

• Automatización: Sólidas habilidades de scripting (Python/Bash) y experiencia con herramientas de CI/CD y Makefile.

• Metodología: Conocimiento experto de los principios de SRE, reducción de trabajo repetitivo (toil) y presupuestos de error.

Enfoque en agentes de IA

Serás responsable de la confiabilidad operativa de la capa emergente de IA.

• Confiabilidad de agentes: Implementar monitoreo y registro especializados para los servicios de agentes de IA, garantizando que las integraciones de LLM y los sistemas multiagente (construidos con frameworks como LangChain) cumplan los SLO de rendimiento y disponibilidad definidos.

• Optimización de recursos: Gestionar de manera eficiente la asignación de recursos para cargas de trabajo de IA computacionalmente intensivas, a fin de mantener la estabilidad y la rentabilidad de la plataforma.

Métricas de éxito y trayectoria profesional

El desempeño se medirá mediante:

• Tiempo de actividad/disponibilidad: Cumplimiento de los SLA/SLO definidos en toda la plataforma.

• MTTR: Reducción del tiempo medio de recuperación ante incidentes en producción.

• Reducción de trabajo repetitivo (toil): Porcentaje medido de reducción de tareas operativas manuales y repetitivas mediante la automatización.

Estructura de mentoría: Reporta al Director de Tecnología/CTO, colaborando de forma conjunta con los equipos de DevSecOps y desarrollo para garantizar que el software esté diseñado para la confiabilidad.

Publicado originalmente en Himalayas