AI Infra工程师（基础架构）(J12892)

职位描述

1. GPU算力集群建设与管理：GPU集群（A100/H100等）选型、采购、部署与运维；建设集群资源调度系统（弹性调度、优先级管理、资源隔离）；优化集群利用率

2. 训练基础设施搭建：分布式训练环境（NCCL网络优化、RDMA配置、存储对接）；训练任务自动化运维（故障自愈、Checkpoint自动保存与恢复、日志聚合）；大规模训练网络拓扑与通信优化

3. 阿里云资源维护与成本优化：阿里云资源日常维护与监控；设计混合云架构（本地+云弹性伸缩）；持续优化云资源成本（Spot实例、自动扩缩容）

4. 监控告警与稳定性建设：集群级监控体系；告警策略与故障响应机制；容量规划支撑3-5年算力增长

任职要求

1. 计算机科学、软件工程等相关专业，本科及以上学历，3年以上基础设施/SRE/DevOps经验

2. 熟悉Linux系统、网络（TCP/IP/RDMA）、存储（NFS/Lustre/Ceph）原理与调优

3. 熟悉Kubernetes，有GPU集群调度（Volcano/Yunikorn）或自研调度器经验

4. 熟悉阿里云/AWS/GCP等公有云资源管理，有云成本优化经验

5. 熟悉监控告警体系（Prometheus/Grafana/ELK），有大规模集群运维经验

6. 具备从0到1搭建算力基础设施经验

7. 良好的问题排查能力