前沿系统工程师

岗位摘要

负责并改进系统健康检查，确保超大规模超级计算机在模型训练期间的稳定性；主导对硬件故障和系统级错误的深入调查，以理解大规模环境下的故障模式；构建自动化系统，监控并修复数千台机器的问题，确保研究人员的工作不受干扰