AI平台开发工程师

职位描述

岗位职责：

1.负责AI训练平台基础设施建设，包括GPU集群管理、资源调度优化、训练环境标准化，以及私有化服务的部署运维和非云上资源的统一托管

2.支撑算法团队训练任务，优化分布式训练配置，实现任务队列管理、断点续训等功能，并负责训练数据高速缓存、模型存储版本管理等存储系统优化工作

3.构建完善的监控告警体系，对GPU使用率、显存占用、存储容量、服务可用性等关键指标进行实时监控和预警

4.负责多云资源管理和平台工具化开发，包括成本监控工具、资源使用报表系统、算法团队对接API等，持续优化资源利用率和降低运营成本

5.参与运维工具链开发，实现常见问题自动诊断、CI/CD流程优化、自助服务平台建设、知识库维护等，全面提升运维效率

任职要求：

1. 本科及以上学历，计算机相关专业，3年以上相关工作经验

2. 精通Python/Go至少一种语言，具备良好的编程能力和代码规范

3. 熟练掌握Kubernetes容器编排技术，有大规模集群运维经验

4. 熟悉Linux系统管理，掌握常用运维工具和Shell脚本编程

5. 对分布式文件系统、缓存以及对象存储有丰富的经验

6. 具备GPU集群或AI训练平台实际运维经验，了解GPU资源调度原理

7. 熟悉监控系统（Prometheus/Grafana）和日志系统（ELK）的搭建和使用

8. 具备良好的服务意识和团队协作能力，能主动发现并解决问题

优先考虑：

• 有大规模GPU集群（100卡以上）建设和运维经验

• 熟悉深度学习框架底层原理，有训练效率优化经验

• 参与过自动驾驶或AI相关项目，了解行业技术栈

• 有开源项目贡献经验，熟悉DevOps最佳实践