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

2ГИС — технологическая компания и часть экосистемы Сбера. Нашими сервисами ежедневно пользуются миллионы людей.

Мы активно растём, а ИТ-ландшафт становится всё более масштабным и сложным. Поэтому создаём выделенную SRE-команду — центр экспертизы по надёжности сервисов. Она поможет перейти от реагирования на инциденты к системному управлению доступностью, снизить операционные риски и сделать разработку более предсказуемой.

Ищем инженера, который поможет выстроить процессы и инструменты обеспечения надёжности, будет влиять на стандарты компании и работать в тесной связке с продуктовыми и инфраструктурными командами.

Чем предстоит заниматься

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.

Мы ожидаем, что ты

• 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, если ты

• Внедрял SRE-практики с нуля или участвовал в их масштабировании в растущей компании.

• Проводил воркшопы, обучал или менторил продуктовые команды по вопросам надёжности.

Что предлагаем

• 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).