AI基础设施系统工程师（阿姆斯特丹与伦敦）
岗位摘要
设计并构建车队自动化系统，以最少人工干预完成 GPU 集群的供应、验证、部署、升级、修复和退役；构建 AI 基础设施代理，自动执行部署、根因分析、事件分流和自主修复；开发车队智能平台，持续监控硬件健康、固件、网络、存储、热管理和工作负载性能，在故障影响客户前进行预测
岗位职责
- 设计并构建车队自动化系统，以最少人工干预完成 GPU 集群的供应、验证、部署、升级、修复和退役
- 构建 AI 基础设施代理，自动执行部署、根因分析、事件分流和自主修复
- 开发车队智能平台，持续监控硬件健康、固件、网络、存储、热管理和工作负载性能，在故障影响客户前进行预测
- 构建软件，最大化数千个加速器的 GPU 可用性、利用率、性能和可靠性
- 创建针对 GPU、InfiniBand/RoCE 网络、NVLink/NVSwitch、存储和分布式 AI 工作负载的自动化验证系统
- 构建内部平台和开发者工具，使基础设施可通过软件而非人工操作进行管理
- 通过自动化持续提升部署速度、可靠性和运营效率
- 与硬件、网络、平台和 AI 团队紧密合作，突破 AI 基础设施的极限
任职要求
- 3 年以上构建分布式系统、基础设施平台或大规模后端软件的经验
- 精通 Python、Go 或 Rust 的软件工程能力
- 具有构建平台、自动化系统或开发者基础设施的经验
- 熟悉 Linux、Kubernetes、Terraform、Ansible 或类似基础设施技术
- 具备强大的系统思维，能够理解跨硬件和软件的问题
- 热衷于通过软件解决复杂的基础设施挑战
- 具备自动化优先思维，遇到重复任务时本能地构建系统来消除它
- 加分项：GPU 基础设施、CUDA、NCCL、NVLink/NVSwitch
- 加分项：InfiniBand 或 RoCE 网络
- 加分项：裸金属供应和生命周期管理
- 加分项：大规模 AI 训练或推理集群
- 加分项：硬件健康监控和预测性故障检测
- 加分项：分布式存储系统
- 加分项：AI 代理和自主基础设施运营