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

Задачи: — 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 (трассировки, метрики и логи); — 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. Требования: — Опыт работы в SRE или DevOps от 3 лет; — Хорошее понимание принципов SRE: SLO, SLA, Error Budget, Incident Management и Observability; — Практический опыт работы с системами мониторинга и алертинга, например, Prometheus и Grafana; — Опыт работы с OpenTelemetry или аналогичными инструментами; — Навыки автоматизации процессов на Python, Go, Bash или другом языке; — Понимание принципов работы on-call-ротаций и систем управления инцидентами; — Умение анализировать метрики производительности, находить первопричины сбоев и предлагать устойчивые решения; — Знание CI/CD, Kubernetes и контейнеризации. Будет плюсом: — Внедрение SRE-практик с нуля или участие в их масштабировании в растущей компании; — Проведение воркшопов, обучение или менторство продуктовых команд по вопросам надёжности. Условия: — Возможность стать одним из первых участников нового стратегического направления и напрямую влиять на его развитие; — Масштабные технические задачи, связанные со стабильностью сервисов, которыми пользуются миллионы людей; — Реальное влияние на процессы, снижение уровня хаоса, повышение предсказуемости реагирования на инциденты и релизы; — Пространство для инженерных решений, возможность участвовать в выборе подходов, стандартов и инструментов; — ИТ-аккредитация; — Удалённая работа по РФ или гибридный формат в городах с офисами (Новосибирск, Москва, Санкт-Петербург).