机器学习平台运维工程师

职位描述

1. 负责机器学习平台的稳定运转，支持模型开发、训练与部署的多个环节

2. 负责训练任务的各类问题排查和解决，包括GPU服务器和RDMA网络的故障处理

3. 负责机器学习平台监控告警和各类问题排查工具的建设，包括常见问题排查流程建立

4. 负责资源成本管理与规划，优化计算和存储资源，提升机器学习任务的执行效率

5. 分析GPU应用中的质量性能表现，提供系统的技术支持能力，推动改进识别和落地

任职要求

1. 本科及以上学历，3年以上工作经验，有机器学习平台相关开发或运维经验；

2. 熟练使用Go、Python、Shell等编程语言，善于使用自动化/智能化方法让服务稳定高效;

3. 熟悉容器技术、掌握K8s、Docker的技术原理，有实际使用和运维GPU集群的经验；

4. 对于机器学习模型的构建、部署和维护过程有深入理解；

5. 有优秀的逻辑分析能力，能够对业务逻辑进行合理的抽象和拆分；

6. 具有良好的沟通协调能力，较好的团队合作精神、责任心和一定抗压能力