资深软件工程师，节点基础设施
岗位摘要
负责节点生命周期管理的技术战略和路线图，包括摄入、启动、健康检查和自动修复；推动跨团队计划，跨多个云和加速器系列构建并扩展AI集群；设计并运营自动检测、隔离和修复不健康硬件的系统，提高集群MTBI并减少闲置容量
岗位职责
- 负责节点生命周期管理的技术战略和路线图，包括摄入、启动、健康检查和自动修复
- 推动跨团队计划，跨多个云和加速器系列构建并扩展AI集群
- 设计并运营自动检测、隔离和修复不健康硬件的系统，提高集群MTBI并减少闲置容量
- 定义基础设施架构，确保最困难的问题得到解决，无论是直接解决还是通过他人推动
- 与云提供商及内部研究、推理、产品团队紧密合作，制定长期算力、数据和基础设施战略
- 建立并演进卓越运营实践，包括事件响应、事后复盘文化和值班
- 通过技术指导和辅导支持身边工程师成长
任职要求
- 深入掌握分布式系统、可靠性和云平台，如Kubernetes、IaC、AWS/GCP/Azure
- 至少精通一种系统语言，如Rust、Go或Python，并熟练使用Terraform进行基础设施即代码
- 具备机器学习加速器（GPU、TPU或Trainium）的实操经验
- 有领导跨多个团队或系统的复杂多季度技术计划的成功记录
- 能够在高层利益相关者之间建立共识，并在各层级有效沟通
- 7年以上软件工程经验，包括担任技术负责人为团队设定方向
- 有管理超大规模（1万+节点）大型计算基础设施的经验，包括容量管理和效率优化
- 深入掌握以下一项或多项：Kubernetes内部机制（调度器、自动扩缩器、kubelet、Karpenter）、集群编排系统（Mesos、类Borg）或节点配置流水线
- 具备底层系统经验：内核、虚拟化、设备驱动、固件或硬件健康与诊断守护进程
- 熟悉用于分布式ML工作负载的高性能网络（EFA、RDMA、InfiniBand）
- 有负责高吞吐、延迟敏感系统生产可靠性的经验
- 对相关开源项目（Kubernetes、Linux内核、容器运行时等）有贡献
- 能快速理解系统设计权衡，并跟踪快速演进的软件系统