【AI Infra】基础架构工程师（SRE）(J12900)

职位描述

1、做什么：

负责 GPU 算力集群的调度、运维与优化，以及阿里云资源的维护与管理，为模型训练和数据处理提供稳定、高效、弹性的算力基础设施。

2、核心职责：

- GPU 集群（H20 等）部署、运维与资源调度系统建设

- 分布式训练环境搭建（NCCL 网络优化、RDMA 配置、Checkpoint 自动保存与恢复）

- 阿里云资源维护与混合云架构设计（弹性伸缩、成本优化）

- 集群级监控体系与告警策略，容量规划支撑算力增长

任职要求

1、任职要求：

- 计算机/软件工程 等相关专业，本科及以上

- 熟悉 Linux 系统、网络（TCP/IP/RDMA）、存储原理

- 熟悉 Kubernetes，有 GPU 集群调度基础

- 了解阿里云/AWS 等公有云资源管理

- 熟悉监控告警体系（Prometheus/Grafana/ELK）

2、加分项：

- 大规模 AI 训练集群（千卡级）运维经验

- NCCL/MPI 分布式通信库与网络拓扑优化经验

- 基础设施即代码（Terraform/Pulumi）实践