平台系统软件工程师
岗位摘要
设计和构建用于大规模AI训练任务的分布式故障检测、跟踪和分析系统；开发工具以识别缓慢、故障或行为异常的节点，并提供系统行为的可操作可视化；提升OpenAI训练平台的可观测性、可靠性和性能
岗位职责
- 设计和构建用于大规模AI训练任务的分布式故障检测、跟踪和分析系统
- 开发工具以识别缓慢、故障或行为异常的节点，并提供系统行为的可操作可视化
- 提升OpenAI训练平台的可观测性、可靠性和性能
- 调试和解决复杂、高吞吐量分布式系统中的问题
- 与系统、基础设施和研究团队合作，扩展平台能力
- 调整故障检测或跟踪系统以支持新的训练范式和工作负载
任职要求
- 深切关注分布式系统中的性能、稳定性和可观测性
- 喜欢发现和修复大规模系统中的问题，并自动化操作流程
- 有编写底层软件的经验，注重系统细节
- 了解硬件、操作系统、网络、并发和分布式系统
- 有高性能计算或底层系统工程背景
- 对开发支持前沿AI研究的关键基础设施感到兴奋