岗位职责
- 负责机器学习平台的资源调度系统设计与优化，提升集群资源利用率。
- 构建和维护大规模算力集群，支撑大规模分布式训练、推理等多样化 AI 工作负载，保障高可用与高性能运行。
- 与算法和工程团队协作，优化训练任务调度策略，针对 GPU 计算、显存、互联带宽等关键路径进行性能调优，降低训练成本与时间。
- 建设覆盖硬件、驱动、调度链路的全栈可观测体系，基于监控数据驱动资源优化与容量预测决策。
- 开发自动化运维工具，实现任务调度、监控告警与故障自愈能力。
- 跟踪业界前沿技术，持续改进集群管理与调度架构。
- 参与高复杂度、高并发、超大规模算力的AI基础设施平台建设。
- 从内核驱动、容器运行时到调度层，深入系统各层，打磨全栈基础设施能力。
- 与算法与工程团队紧密合作，技术成长空间大。
职位要求
- 计算机基础扎实，熟练掌握Go、Python或Java至少一种编程语言。
- 3年以上软件开发或系统架构经验，有大规模集群管理经验者优先。
- 熟悉Kubernetes、Containerd、Docker等云原生核心技术栈和云原生开发模式。
- 具备良好的系统设计与问题排查能力，有机器学习平台开发经验者优先。
