AI平台运维工程师
岗位摘要
设计并维护十万卡GPU集群的稳定性，实现故障自愈，确保训练任务持续运行；优化资源调度策略，在算法快速迭代与生产环境稳定之间找到平衡；构建全方位的可观测性系统，监控GPU利用率、通信延迟、checkpoint耗时等关键指标
岗位职责
- 设计并维护十万卡GPU集群的稳定性，实现故障自愈，确保训练任务持续运行
- 优化资源调度策略，在算法快速迭代与生产环境稳定之间找到平衡
- 构建全方位的可观测性系统，监控GPU利用率、通信延迟、checkpoint耗时等关键指标
- 探索前沿技术，应对模型规模扩大带来的调度、网络、存储等新挑战
任职要求
- 对AGI有真实热情，愿意投入数年时间参与通用人工智能基础设施的建设
- 具备拆解复杂问题的逻辑能力，能将模糊故障转化为可验证的假设并逐步排查
- 拥有系统性的技术视野，理解从GPU计算到存储调度的完整数据流
- 清晰的表达能力，能撰写文档、绘制架构图并进行跨团队沟通
- 有动手实践的冲动，乐于尝试新工具并分享踩坑经验
- 对生产环境有敬畏心，每次变更前考虑回滚方案，事故后完成根因分析
加分项
- 3年以上一线运维经历，深知运维痛点
- 熟悉SRE体系
- 成熟运维平台开发经历
福利待遇
- 入职即接触核心业务场景，承担最具挑战性的任务，快速成长为团队核心
- 技术自由，技术栈由问题决定，鼓励尝试新工具和新方案
- 与一群对AGI充满热情的优秀同事共事，共同踩坑、填坑、成长
- 提供具有竞争力的薪资（30-60K·14薪）和广阔的发展空间
工作地址
杭州拱墅区汇金国际A座