AI基础设施系统工程师
岗位摘要
设计并构建集群自动化系统，以最少人工干预完成GPU集群的配置、验证、部署、升级、修复和退役；构建AI基础设施代理，自动化部署、故障根因分析、事件分诊和自主修复；开发集群智能平台，持续监控硬件健康、固件、网络、存储、散热和工作负载性能，在故障影响客户前进行预测
岗位职责
- 设计并构建集群自动化系统，以最少人工干预完成GPU集群的配置、验证、部署、升级、修复和退役
- 构建AI基础设施代理，自动化部署、故障根因分析、事件分诊和自主修复
- 开发集群智能平台，持续监控硬件健康、固件、网络、存储、散热和工作负载性能，在故障影响客户前进行预测
- 编写软件以最大化数千个加速器的GPU可用性、利用率、性能和可靠性
- 为GPU、InfiniBand/RoCE网络、NVLink/NVSwitch、存储和分布式AI工作负载创建自动化验证系统
- 构建内部平台和开发者工具，使基础设施能够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，推动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的软件工程技能
- 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
- 具备自动化优先的心态——如果任务重复，本能是构建系统来消除它
- 加分项：具有GPU基础设施、CUDA、NCCL、NVLink/NVSwitch经验
- 加分项：具有InfiniBand或RoCE网络经验
- 加分项：具有裸金属配置和生命周期管理经验
- 加分项：具有大规模AI训练或推理集群经验
- 加分项：具有硬件健康监控和预测性故障检测经验
- 加分项：具有分布式存储系统经验
- 加分项：具有AI代理和自主基础设施运营经验
福利待遇
- 提供具有竞争力的薪酬
- 提供初创公司股权
- 提供健康保险
- 提供其他有竞争力的福利
- 美国全职岗位基本薪资范围为190,000至270,000美元，另加股权和福利
- 薪资范围根据地点、级别和角色确定，个人薪酬由经验、技能和工作相关知识决定