AI集群架构管理工程师(J10913)

职位描述

1.负责AI专属网络运维，管理集群内IB（InfiniBand）、RoCE（RDMA over Converged Ethernet）、NVLink等高速互联网络的部署、协议调优与故障诊断，解决AI训练/推理过程中因网络带宽不足、延迟过高导致的任务卡顿、梯度同步失败等问题；

2.监控AI集群核心硬件（NVIDIA A100/H100 GPU、高速SSD存储、CPU内存）的运行状态，通过自动化工具实时采集GPU利用率、显存占用、温度等指标，及时处理GPU显存溢出、 PCIe 通道故障、存储I/O瓶颈等AI场景特有硬件问题；

3.参与AI集群的扩容与重构，设计适合大模型训练的硬件拓扑（如GPU直连、内存扩展方案），优化集群资源分配策略，提升AI任务执行效率；

4.针对AI训练中断、推理服务崩溃等突发情况，快速定位故障根源（如网络链路断开、GPU驱动异常），制定针对性解决方案，保障AI业务连续性

5.参与数据中心扩容规划，协助制定硬件选型方案（如 NVIDIA H200/A800 GPU 选型、IB 交换机端口规划），保障算力基础设施的可扩展性。

任职要求

1.本科及以上学历，计算机科学与技术、网络工程相关专业；3年以上AI集群/高性能计算集群运维经验，熟悉AI场景下硬件与网络的协同逻辑；

2.深入理解NVIDIA GPU架构（Ampere、Hopper、Blackwell），掌握CUDA驱动优化、GPU虚拟化技术；熟悉AI集群存储方案，能解决存储I/O对模型训练的影响；

3.精通IB、RoCE、NVLink技术原理，具备 Mellanox 设备配置与故障排查能力；了解AI集群网络拓扑设计，能优化网络带宽利用率。；

4.熟悉AI集群监控，能编写Python脚本自动化处理AI相关故障（如GPU利用率异常报警）；熟悉Kubernetes或Slurm调度框架，理解AI任务对资源的需求特征；

5.具备AI场景下复杂问题的分析能力，如区分传统服务器故障与AI负载导致的硬件瓶颈，能快速制定针对性解决方案。