岗位职责
- 负责企业级云原生机器学习平台建设，支撑模型开发、训练、部署、上线全生命周期管理；
- 负责机器学习平台核心组件落地与优化，包含分布式训练调度、模型版本管理、模型服务化推理部署；
- 负责 GPU 算力集群精细化运营，通过资源调度、弹性伸缩、异构算力管理，优化大模型训练 / 推理成本；
- 搭建平台监控、告警、可观测体系，保障机器学习集群及业务系统高可用、高稳定；
- 对接算法、业务团队，拆解需求并提供 MLOps 标准化平台解决方案。
职位要求
- 熟练掌握 K8s 大规模集群运维管理，精通容器、镜像、存储、网络，熟悉云原生 CI/CD、服务网格主流工具链；
- 具备完整 MLOps 平台落地经验，熟悉 Kubeflow、MLflow、Ray 至少一种生态工具；
- 熟悉 TensorFlow / PyTorch 主流框架，了解分布式训练基础原理、模型部署与推理优化常规方案；
- 有 GPU 集群运维、算力资源调度、显存 / 算力隔离管控实战经验，懂 GPU 业务负载特性；
- 熟练掌握 Python，了解 Go 更佳，具备良好分布式系统工程设计与问题排查能力；
- 具备良好跨团队沟通、抗压能力，能独立负责平台模块建设。
