AI平台运维工程师
岗位摘要
设计系统使十万卡集群具备自愈能力，确保训练任务在硬件故障下持续运行；在算法快速迭代与生产环境稳定性之间找到平衡，实现灵活资源调度；让大模型训练过程可观测、可追溯、可解释，监控GPU利用率、通信延迟等指标
岗位职责
- 设计系统使十万卡集群具备自愈能力，确保训练任务在硬件故障下持续运行
- 在算法快速迭代与生产环境稳定性之间找到平衡，实现灵活资源调度
- 让大模型训练过程可观测、可追溯、可解释，监控GPU利用率、通信延迟等指标
- 探索前沿技术方案，应对模型规模扩大带来的调度、网络、存储挑战
- 根据问题需要编写代码、调试硬件或设计架构，不局限于传统运维分工
任职要求
- 对实现AGI有真实热情，愿意投入数年时间
- 具备拆解复杂问题的逻辑能力，能将模糊故障转化为可验证假设
- 拥有系统性技术视野，理解GPU计算、显存、NVLink、网络、存储、调度的完整链路
- 清晰的表达能力，能简单明了地讲解复杂技术问题
- 有动手实践的冲动，乐于尝试新工具并从中学习
- 对生产环境有敬畏心，变更前考虑回滚，事故后沉淀根因分析
- 熟悉Linux操作系统基本原理，了解容器化技术、PyTorch/TensorFlow基本工作方式者优先
加分项
- 3年以上一线运维经历，深知运维痛点
- 熟悉SRE体系
- 成熟运维平台开发经历
福利待遇
- 入职即接触核心业务场景，承担最复杂的任务
- 解决复杂问题带来的极快成长速度
- 技术自由，由问题决定技术栈，鼓励尝试新工具
- 与对AGI充满热情的优秀团队共同工作
- 薪资30-60K，14薪
工作地址
杭州拱墅区汇金国际A座