返回岗位列表

高级软件工程师

查看原岗位

地点：美国薪资：薪资未公开日期：2026-01-29

岗位摘要

构建和扩展ML优化的HPC基础设施：跨多个云部署和管理基于Kubernetes的GPU/TPU超级集群，确保AI工作负载的高吞吐量和低延迟性能；优化AI/ML训练：与云提供商合作，微调基础设施以实现成本效益、可靠性和性能，利用RDMA、NCCL和高速互连等技术

岗位职责

构建和扩展ML优化的HPC基础设施：跨多个云部署和管理基于Kubernetes的GPU/TPU超级集群，确保AI工作负载的高吞吐量和低延迟性能
优化AI/ML训练：与云提供商合作，微调基础设施以实现成本效益、可靠性和性能，利用RDMA、NCCL和高速互连等技术
排查和解决复杂问题：主动识别并解决基础设施瓶颈、性能下降和系统故障，确保对AI/ML工作流程的干扰最小
为研究人员提供自助服务工具：设计直观的界面和工作流程，使研究人员能够独立监控、调试和优化其训练任务
推动ML基础设施创新：与AI研究人员密切合作，了解新兴需求（例如JAX、PyTorch、分布式训练），并将其转化为稳健、可扩展的基础设施解决方案
倡导最佳实践：在整个组织中倡导可观测性、自动化和基础设施即代码（IaC），确保系统可维护且具有弹性
指导与协作：通过代码审查、文档编写和跨团队协作分享专业知识，培养知识传递和工程卓越的文化

任职要求

具备多年在多云环境中构建和管理Kubernetes GPU/TPU超级集群的经验
熟悉AI/ML训练工作负载优化技术，包括RDMA、NCCL和高速互联
具有使用JAX、PyTorch等框架支持大规模分布式训练的基础设施经验
精通基础设施即代码（IaC）、自动化运维和可观测性最佳实践
能够参与24x7全天候值班轮换制度，及时响应和解决基础设施故障
具备为AI研究人员设计开发自助服务工具和平台的能力