AML机器学习系统SRE工程师-Data

职位描述

1、负责维护机器学习系统的稳定运转，支持模型开发、训练与部署的多个环节；

2、负责资源的管理与规划，成本与预算，包括：GPU/CPU机器资源，存储等资源；

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、负责集群、业务服务的稳定性治理，资源利用率提升和运维人效提升。

任职要求

1、一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，具备1年以上相关的运维经验；

4、熟悉Docker/Kata等容器化技术，具备1年以上运维经验；

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

6、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；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。