Engenheiro de Confiabilidade de Site Sênior

Sobre a empresa

A FileScience faz backup e recupera os dados empresariais que as empresas mantêm em aplicações em nuvem. Nossas tarefas de backup são executadas para muitos clientes e dependem de APIs de terceiros que não controlamos. Os clientes precisam de mais do que um serviço disponível: precisam de dados que possam realmente recuperar.

Sobre a vaga

Estamos contratando um Senior Site Reliability Engineer com perfil hands-on para manter a FileScience confiável para nossos clientes. Algumas das falhas mais difíceis são as silenciosas: um backup que para de progredir, termina com arquivos faltando ou relata sucesso quando não deveria. Você trabalhará com a equipe de engenharia para identificar esses problemas, melhorar o monitoramento e a resposta a incidentes e corrigir problemas de confiabilidade em código e infraestrutura de produção.

Responsabilidades

• Definir como medimos confiabilidade: estabelecer indicadores e objetivos de nível de serviço (SLIs/SLOs) para disponibilidade do produto e tarefas de backup, mostrar o que podemos e ainda não podemos medir e usar os resultados para decidir o que melhorar primeiro.
• Tornar as falhas mais fáceis de encontrar: adicionar logs, métricas e traces que identifiquem o cliente e a tarefa afetados, criar alertas úteis, reduzir ruído e verificar regularmente que o monitoramento funciona e que os alertas chegam à pessoa certa.
• Liderar a resposta a incidentes: manter ferramentas de incidentes, caminhos de escalonamento e runbooks, diagnosticar problemas, manter as pessoas informadas, confirmar a recuperação do serviço e acompanhar correções que evitem incidentes repetidos.
• Verificar que os backups realmente funcionam: criar verificações de que os backups de cada cliente são executados no horário esperado, capturam os dados esperados e podem ser restaurados, comparando dados de origem e de backup junto com engenheiros de produto e testando a recuperação.
• Automatizar trabalho operacional recorrente e entregar correções de confiabilidade: trabalhar com engenheiros de produto em deploys mais seguros, cargas de trabalho crescentes, backlogs de filas e falhas de APIs de terceiros, testando mudanças antes do rollout, mantendo um caminho de rollback quando possível e verificando o resultado.

Requisitos

• Experiência prática mantendo sistemas de produção confiáveis após o lançamento, incluindo resposta a incidentes e melhoria contínua do sistema.
• Fortes habilidades de troubleshooting em AWS, abrangendo serviços, rede, contêineres, armazenamento, filas e bancos de dados, investigando problemas que envolvem tanto código de aplicação quanto infraestrutura.
• Experiência construindo e mantendo observabilidade, SLOs, alertas úteis, runbooks e testes de recuperação em produção.
• Capacidade de ler, depurar e modificar código Python de produção e construir automação confiável, com entendimento prático de falhas parciais, retries, idempotência, concorrência e backpressure.
• Experiência com infraestrutura como código, CI/CD e mudanças seguras em produção, incluindo testes, rollback e controles de acesso.
• Inglês claro, escrito e falado, boa organização e resolução independente de problemas, transformando requisitos incompletos em planos práticos, priorizando o trabalho e comunicando progresso, riscos e decisões.

Desejável

• Experiência com sistemas de backup, sincronização ou integridade de dados, ou com pipelines de dados que são executados por longos períodos para muitos clientes.
• Experiência com OpenTelemetry, Grafana, Sentry, plataformas de gerenciamento de incidentes ou ferramentas comparáveis.

Habilidades comportamentais

• Autonomia para investigar problemas, identificar próximos passos, tomar decisões fundamentadas e impulsionar o trabalho sem esperar instruções detalhadas.
• Adaptabilidade a um ambiente dinâmico, com prioridades e requisitos em mudança que podem estar incompletos.
• Comunicação clara para manter a equipe de engenharia informada e envolver outras pessoas quando sua contribuição for necessária.
• Juízo prático e persistência para levar o trabalho até o fim, valorizando experiência real em produção.

Modelo de trabalho e localização

Esta é uma vaga remota. Nossa stack de tecnologia inclui Python e AWS, com ECS, Lambda, Step Functions, S3, SQS, DynamoDB, Aurora PostgreSQL e CloudWatch.