Auf einen Blick
Senior Incident Manager bei Lambda für kritische Incident-Reaktion über KI-Infrastruktur. Remote, USA, mit On-Call-Rotation.
💰 ~$160.000–250.000/Jahr (geschätzt)
📊 Senior
🕒 Vollzeit
🌍 Remote
🗺️ Americas
- 8+ Jahre Incident Management/SRE
- Großflächige verteilte Infrastruktur
- GPU-Cluster-Verständnis
- PagerDuty/Datadog-Erfahrung
incident-management
sre
devops
data-center-operations
gpu-infrastructure
stakeholder-management
Gehalt geschätzt anhand Senior SRE/IM, 8+ Jahre, GPU-Infrastruktur, On-Call. Kein Gehalt in der Anzeige angegeben.
✅ Geeignet für
- Erfahrene SREs mit Incident-Hintergrund
- Data-Center-Ops-Profis
- Hochdruck-Leiter
🚫 Weniger geeignet
- Anfänger in SRE
- Ohne Incident-Management-Erfahrung
- Ohne On-Call-Bereitschaft
💡 Gut zu wissen
- On-Call-Rotation ist verpflichtend
- Remote, aber High-Pressure-Umgebung
- Extensive Dokumentation und Kommunikation erforderlich
Über das Unternehmen
Lambda ist die führende KI-Cloud-Infrastruktur-Plattform mit 500+ Mitarbeitern, die Zehntausende Kunden bedient. Lambda hat sich zum Ziel gesetzt, Compute so allgegenwärtig wie Strom zu machen.
Deine Aufgaben
- Führe kritische Incident-Reaktion (SEV-1/SEV-2) über KI-Infrastruktur und GPU-Cluster
- Agiere als Incident Commander während großflächiger Ausfälle und koordiniere Teams
- Liaison zwischen Führung und externen Teams während Incidents
- Leite Incident-Response-Lebenszyklus: Triage, Eskalation, Koordination, Auflösung, Post-Incident-Review
- Führe On-Call-Rotation durch für Incident-Reaktion und -Koordination
- Arbeite eng mit Data-Center-Ops, Infrastructure Engineering, Netzwerk-Engineering, Plattform-Zuverlässigkeit zusammen
- Leite Post-Incident-Reviews und Root-Cause-Analysen
- Verbessere Incident-Response-Prozesse und Runbooks
- Stelle Berichte und Dashboard-Updates für Führung und Stakeholder bereit
Deine Voraussetzungen
- 8+ Jahre Erfahrung in Incident Management, Site Reliability Engineering oder Infrastruktur-Betrieb
- Erfahrung mit Incidents in großflächiger verteilter Infrastruktur
- Starkes Verständnis von Data-Center-Ops, GPU-Compute-Clustern, Netzwerk/Storage-Infrastruktur, Cloud/Hybrid-Plattformen
- Bewiesene Fähigkeit zur Führung unter Hochdruck
- Erfahrung mit Incident-Management-Frameworks (ITIL, SRE oder gleichwertig)
- Ausgezeichnete Kommunikation und Stakeholder-Management
- Erfahrung mit Incident-Tools: PagerDuty, ServiceNow, Jira, Datadog, Prometheus/Grafana
Benefits
Großzügige Bargeld- und Equity-Kompensation, Kranken-/Zahn-/Sehversicherung, Wellness- und Pendler-Stipendien, 401k, flexible PTO.
