Инженер-разработчик по надёжности и эксплуатации (SRE-инженер)

Требования

• Работаешь в SRE или DevOps от 3 лет.
• Хорошо понимаешь принципы SRE: SLO, SLA, Error Budget, Incident Management и Observability.
• Имеешь практический опыт работы с системами мониторинга и алертинга — например, Prometheus и Grafana.
• Работал с OpenTelemetry или аналогичными инструментами.
• Автоматизируешь процессы на Python, Go, Bash или другом языке.
• Понимаешь принципы работы on-call-ротаций и систем управления инцидентами.
• Умеешь анализировать метрики производительности, находить первопричины сбоев и предлагать устойчивые решения.
• Знаком с CI/CD, Kubernetes и контейнеризацией.

Будет плюсом

• Внедрял SRE-практики с нуля или участвовал в их масштабировании в растущей компании.
• Проводил воркшопы, обучал или менторил продуктовые команды по вопросам надёжности.

Обязанности

• Развивать Incident & Problem Management
• внедрять и развивать единый процесс управления инцидентами;
• формировать культуру postmortem-разборов без поиска виноватых;
• контролировать выполнение action items, направленных на предотвращение повторных сбоев;
• улучшать матрицу эскалаций и устранять неоднозначности в процессе реагирования.
• Развивать observability
• стандартизировать внедрение OpenTelemetry: трассировок, метрик и логов;
• участвовать в создании единой платформы мониторинга и визуализации;
• разрабатывать стандарты логирования;
• контролировать объём и качество данных, поступающих в системы телеметрии.
• Трансформировать подход к алертингу
• проводить аудит существующих алертов и снижать число ложных срабатываний;
• формировать единые принципы приоритизации алертов с учётом критичности сервисов;
• помогать командам настраивать полезные, своевременные и понятные уведомления.
• Внедрять SRE-практики и повышать зрелость команд
• участвовать в классификации сервисов по уровням критичности: MC, BC, BO, OP;
• помогать командам определять и внедрять SLO/SLA;
• создавать дашборды для контроля Error Budget;
• разрабатывать и поддерживать runbooks, которые сокращают время восстановления сервисов;
• консультировать продуктовые команды по вопросам стабильности и надёжности.
• Автоматизировать процессы
• формировать требования к развитию платформы дежурств и интеллектуальной эскалации;
• внедрять практики безопасных релизов: canary deployment, автоматический откат изменений и другие подходы к снижению рисков.

Условия

• Возможность стать одним из первых участников нового стратегического направления и напрямую влиять на его развитие.
• Масштабные технические задачи: ты будешь работать над стабильностью сервисов, которыми пользуются миллионы людей.
• Реальное влияние на процессы: поможешь снизить уровень хаоса, сделать реагирование на инциденты и релизы более предсказуемыми.
• Пространство для инженерных решений: команда формируется сейчас, поэтому можно участвовать в выборе подходов, стандартов и инструментов.
• ИТ-акредитацию
• Удаленную работу по РФ или гибрид в городах, где есть офис (Новосибирск, Москва, Санкт-Петербург).