机器学习资源调度系统工程师

职位描述

1. 负责机器学习平台的资源调度系统设计与优化，提升集群资源利用率。

2. 构建和维护大规模算力集群，支撑大规模分布式训练、推理等多样化 AI 工作负载，保障高可用与高性能运行。

3. 与算法和工程团队协作，优化训练任务调度策略，针对 GPU 计算、显存、互联带宽等关键路径进行性能调优，降低训练成本与时间。

4. 建设覆盖硬件、驱动、调度链路的全栈可观测体系，基于监控数据驱动资源优化与容量预测决策。

5. 开发自动化运维工具，实现任务调度、监控告警与故障自愈能力。

6. 跟踪业界前沿技术，持续改进集群管理与调度架构。

任职要求

1. 计算机基础扎实，熟练掌握Go、Python或Java至少一种编程语言。

2. 3年以上软件开发或系统架构经验，有大规模集群管理经验者优先。

3. 熟悉Kubernetes、Containerd、Docker等云原生核心技术栈和云原生开发模式。

4. 具备良好的系统设计与问题排查能力，有机器学习平台开发经验者优先。