Ingeniero Senior de Confiabilidad del Sitio

Sobre la empresa

FileScience realiza respaldos y recupera los datos empresariales que las empresas mantienen en aplicaciones en la nube. Nuestros jobs de backup se ejecutan para muchos clientes y dependen de APIs de terceros que no controlamos. Los clientes necesitan más que un servicio disponible: necesitan datos que realmente puedan recuperar.

Sobre el rol

Estamos contratando a un Senior Site Reliability Engineer con perfil hands-on para mantener a FileScience confiable para nuestros clientes. Algunas de las fallas más difíciles son las silenciosas: un backup que deja de avanzar, termina con archivos faltantes o reporta éxito cuando no debería. Trabajarás con el equipo de ingeniería para identificar estos problemas, mejorar el monitoreo y la respuesta ante incidentes, y corregir problemas de confiabilidad en el código y la infraestructura de producción.

Responsabilidades

• Definir cómo medimos la confiabilidad: establecer indicadores y objetivos de nivel de servicio (SLIs/SLOs) para la disponibilidad del producto y los jobs de backup, mostrar lo que podemos y aún no podemos medir, y usar los resultados para decidir qué mejorar primero.
• Hacer que las fallas sean más fáciles de encontrar: agregar logs, métricas y traces que identifiquen al cliente y al job afectados, crear alertas útiles, reducir el ruido y verificar regularmente que el monitoreo funcione y que las alertas lleguen a la persona correcta.
• Liderar la respuesta ante incidentes: mantener herramientas de incidentes, rutas de escalado y runbooks, diagnosticar problemas, mantener informadas a las personas, confirmar la recuperación del servicio y hacer seguimiento a las correcciones que previenen incidentes repetidos.
• Verificar que los backups realmente funcionen: crear comprobaciones de que los backups de cada cliente se ejecutan en el tiempo esperado, capturan los datos esperados y pueden restaurarse, comparando los datos de origen y de backup junto con los ingenieros de producto y probando la recuperación.
• Automatizar el trabajo operativo recurrente y entregar correcciones de confiabilidad: trabajar con ingenieros de producto en despliegues más seguros, cargas de trabajo crecientes, backlogs de colas y fallas de APIs de terceros, probando los cambios antes del rollout, manteniendo una ruta de rollback cuando sea posible y verificando el resultado.

Requisitos

• Experiencia práctica manteniendo sistemas de producción confiables después del lanzamiento, incluyendo respuesta ante incidentes y mejora continua del sistema.
• Sólidas habilidades de troubleshooting en AWS, que abarquen servicios, redes, contenedores, almacenamiento, colas y bases de datos, investigando problemas que involucran tanto código de aplicación como infraestructura.
• Experiencia construyendo y manteniendo observabilidad, SLOs, alertas útiles, runbooks y pruebas de recuperación en producción.
• Capacidad para leer, depurar y modificar código Python de producción y construir automatización confiable, con una comprensión práctica de fallas parciales, reintentos, idempotencia, concurrencia y backpressure.
• Experiencia con infraestructura como código, CI/CD y cambios seguros en producción, incluyendo pruebas, rollback y controles de acceso.
• Inglés claro, escrito y hablado, buena organización y resolución independiente de problemas, convirtiendo requisitos incompletos en planes prácticos, priorizando el trabajo y comunicando avances, riesgos y decisiones.

Deseable

• Experiencia con sistemas de backup, sincronización o integridad de datos, o con pipelines de datos que se ejecutan durante largos períodos para muchos clientes.
• Experiencia con OpenTelemetry, Grafana, Sentry, plataformas de gestión de incidentes o herramientas comparables.

Habilidades blandas

• Autonomía para investigar problemas, identificar los próximos pasos, tomar decisiones fundamentadas e impulsar el trabajo sin esperar instrucciones detalladas.
• Adaptabilidad a un entorno dinámico, con prioridades y requisitos cambiantes que pueden estar incompletos.
• Comunicación clara para mantener informado al equipo de ingeniería e involucrar a otras personas cuando se necesite su aporte.
• Juicio práctico y persistencia para llevar el trabajo hasta el final, valorando la experiencia real en producción.

Modelo de trabajo y ubicación

Este es un puesto remoto. Nuestro stack de tecnología incluye Python y AWS, con ECS, Lambda, Step Functions, S3, SQS, DynamoDB, Aurora PostgreSQL y CloudWatch.