机器学习平台SRE工程师-AML

职位描述

1、负责机器学习系统的稳定运转，支持模型开发、训练与部署；

2、负责GPU/NPU/CPU和存储等资源的管理与规划、成本与预算；

3、负责多地域、多机房的系统容灾、服务部署管理和集群机器治理；

4、开发自动化工具或平台，提升资源利用率和运维人效。

任职要求

1、三年以上运维开发项目经验；

2、熟练掌握Linux环境下的Go/Python/Shell等1至2种以上语言；

3、有大型分布式系统的资源管理和任务调度系统运维经验，熟悉Kubernetes生态和架构；

4、有强烈的工作责任心，出色的学习能力、沟通能力和自驱力，良好的团队合作精神；

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、有良好的工作文档习惯，及时按要求撰写更新工作流程及技术文档。

加分项：

1、从事过大规模分布式系统的运维；

2、有GPU服务器的运维经验。