岗位职责
- 负责大规模机器学习平台的设计、开发、运维；
- 负责多云厂商、多种资源类型，多种任务类型下的资源管理，处理复杂场景下的任务调度；
- 负责平台可观测性建设， 构建多角度、多维度的任务监控，最大程度保证平台稳定性和任务可见性；
- 负责底层硬件资源、集群资源的运维管理，协助平台用户定位、解决使用种的各种问题；
- 利用AI Agent 技术，自动化平台的日常管理工作，降低用户日志使用成本，减少平台日常运维工作；
职位要求
- 精通 Python/Go/Java 至少一种主流编程语言，具备良好的代码风格， 有Vibe Codingj经验更佳， 有Go编程经验更佳；
- 熟悉 Kubernetes 架构和生态，熟悉k8s中的常用机制和原理； 有k8s集群运维管理经验；
- 熟悉常见的资源调度原理， 有过调度系统，资源管理系统开发、运维经验者更佳；
- 熟悉kubeflow, kuberay 等云上资源管理，了解TensorFlow、PyTorch、 Ray等任务框架； 加分项：
- 参与或主导过大规模调度平台的建设或核心模块优化， 有千卡集群、万卡集群管理、运维经验；
- 深入了解过Kubeflow/Argo/Volcano/KubeRay 等开源云原生调度项目，有二次开发或生产环境深度运维经验；
- 深入参与过GPU机器的运维管理， 解决过RDMA网络问题、 NCCL通讯问题、GPU硬件故障、 存储性能问题；
- 深入了解过 Meagtron、Verl、 vLLM 等大模型训推框架， 了解大规模训推任务中的细节和原理；
