AI / GPU Infrastructure Lead

Также называют: Head of AI Infrastructure, Head of GPU Infrastructure, Director of AI Infrastructure, VP of Infrastructure, Head of HPC.

Кто такой AI / GPU Infrastructure Lead и чем он занимается?

AI / GPU Infrastructure Lead — это руководитель платформенного слоя, на котором работают AI-нагрузки: GPU-кластеров, высокопроизводительной сети, хранилищ, bare-metal и managed-сервисов. В GPU-облаке это часто CTO или Head of Infrastructure, в AI-компании со своими кластерами — Head of AI Infrastructure, который отвечает за обучение и инференс. ЦОД как физический объект обычно остаётся отдельной ролью:

• проектирует архитектуру GPU-кластеров и высокопроизводительной сети;
• выбирает железо и поставщиков, планирует мощности на годы вперёд;
• строит команду эксплуатации и отвечает за доступность платформы;
• считает экономику GPU-часа и добивается высокой утилизации;
• запускает managed-сервисы поверх bare-metal: Kubernetes, хранилища, сервисы для обучения и инференса.

Когда компании нужен AI / GPU Infrastructure Lead?

AI / GPU Infrastructure Lead нужен, когда компания строит или масштабирует собственную GPU-инфраструктуру: запускает GPU-облако, открывает AI-направление у хостинг-провайдера, строит кластеры для обучения своих моделей или переносит AI-нагрузку из публичного облака на своё железо. Триггеры — закупка большого объёма GPU, запуск нового ЦОДа с партнёром или низкая утилизация дорогих кластеров. Роль не нужна, если AI-нагрузка живёт в публичном облаке и объём небольшой: тогда хватит Platform Engineer и MLOps / LLMOps Engineer.

Чем AI / GPU Infrastructure Lead отличается от CTO софтверной компании?

AI / GPU Infrastructure Lead отличается от CTO софтверной компании тем, что отвечает за физическую и платформенную инфраструктуру под GPU — железо, сеть, плотность, энергопотребление, экономику мощностей, — а не за код продукта. От Data Center Manager его отличает уровень: тот отвечает за здание, питание и охлаждение, а AI / GPU Infrastructure Lead — за кластеры и сервисы внутри.

Почему AI / GPU Infrastructure Lead сложно нанять?

AI / GPU Infrastructure Lead сложно нанять, потому что рынок совсем молодой и людей, которые эксплуатировали GPU-кластеры такого масштаба, очень мало.

• Много похожих по резюме кандидатов, которые не подходят: CTO из чистого софта, Data Center Managers, Presales Architects и консультанты; разница видна только на детальном разборе.
• Нужна редкая комбинация: инфраструктура и сеть уровня HPC, управление командой и понимание экономики мощностей.
• Почти все, кто реально запускал крупные GPU-кластеры, уже работают на ключевых позициях и не ищут работу.
• Роль часто привязана к локации ЦОДа и языку команды, что ещё сужает круг.

Что выяснить до найма AI / GPU Infrastructure Lead?

• Какие слои закрывает партнёр по ЦОДу, а за какие отвечает этот человек? Без чёткой границы в шорт-лист попадут то Data Center Managers, то Cloud Architects.
• Что считать доказательством опыта? Заранее договоритесь, какие подтверждённые результаты засчитываются: запущенные кластеры, их масштаб, загрузка GPU, сделки с поставщиками мощностей; без такого правила легко ошибиться на кандидате с похожим резюме.
• Требование к языку реальное и как его проверить? Лишнее требование сужает и без того маленький рынок.
• Строить платформу с нуля или масштабировать существующую? Для запуска нового облака и для роста готового нужны разные люди.

Где искать AI / GPU Infrastructure Lead?

AI / GPU Infrastructure Leads чаще всего приходят с позиций Head of Infrastructure в облачных и хостинг-провайдерах, GPU-облаках, HPC-центрах и крупных IaaS-платформах Европы и Ближнего Востока, а также из трейдинговых компаний и bare-metal AI-стартапов. Сигнал в профиле — кластер, который запускали под руководством кандидата, с понятными размером, топологией и утилизацией. NEWHR ищет таких кандидатов по результатам работы, а не по откликам на вакансию.

Как проверить AI / GPU Infrastructure Lead на интервью?

AI / GPU Infrastructure Lead проверяют разбором кластера, который кандидат запускал: размер, топология сети, утилизация, инциденты. Отдельная сессия посвящена экономике GPU-часа. Со стороны компании участвуют CEO или основатели, CTO партнёра по ЦОДу, если он есть, и иногда инвесторы. Рекомендации берут у операционной команды кандидата.

Сильные сигналы:

• называет размер кластера, топологию сети и реальную утилизацию без подготовки;
• подробно рассказывает о крупных инцидентах и о том, что поменял после них;
• считает стоимость GPU-часа и объясняет, из чего она складывается.

Красные флаги:

• весь опыт — в публичном облаке, без собственного железа;
• говорит о «масштабе» общими словами, без цифр;
• не знает, как была загружена инфраструктура, за которую он отвечал.

Сколько длится поиск AI / GPU Infrastructure Lead?

Первых кандидатов на роль AI / GPU Infrastructure Lead показываем через 5–7 дней после брифа. Весь поиск обычно занимает от 1 до 6 месяцев.

Смежные роли

• AI Infrastructure / Inference Engineer — инженер, который оптимизирует инференс на GPU, а не руководит платформой.
• Platform Engineer — строит внутреннюю платформу, обычно без собственного GPU-железа.
• CTO / VP Engineering — руководит всей инженерией продукта, а не GPU-инфраструктурой.
• DevOps Engineer — автоматизирует инфраструктуру и деплой на уровне команды, а не строит кластеры.