1、設(shè)計(jì)并搭建高性能，高可擴(kuò)展的AI基礎(chǔ)設(shè)施平臺，支持模型的訓(xùn)練與推理任務(wù)，優(yōu)化GPU集群資源調(diào)度策略。
2、構(gòu)建容器化部署方案(Kubernetes/Docker)，構(gòu)建高質(zhì)量訓(xùn)練&推理鏡像。
3、搭建AI系統(tǒng)全鏈路監(jiān)控體系(Prometheus/Grafana/ELK)，實(shí)時追蹤GPU利用率，推理延遲，錯誤率等核心指
4、維護(hù)分布式存儲系統(tǒng)(如JuiceFS,Cubefs等)，確保訓(xùn)練推理數(shù)據(jù)的高可用與讀寫性能。制定并執(zhí)行機(jī)房容災(zāi)備份策略，防范硬件故障，數(shù)據(jù)丟失等風(fēng)險(xiǎn)。
5、負(fù)責(zé)機(jī)器學(xué)習(xí)平臺的開發(fā)，支撐公司訓(xùn)練，評測，標(biāo)注等相關(guān)業(yè)務(wù)的算法生產(chǎn)與高效迭代
6、負(fù)責(zé)對接訓(xùn)練平臺在自動駕駛數(shù)據(jù)流中的上下游，具體包括提升數(shù)據(jù)預(yù)處理的效率，提供用戶友好的模型管理工具等；
任職要求：
1、統(tǒng)招本科及以上學(xué)歷，計(jì)算機(jī)科學(xué)，人工智能或相關(guān)領(lǐng)域?qū)I(yè)。兩年及以上相關(guān)工作經(jīng)驗(yàn)
2、了解前沿的AI技術(shù)，有工程實(shí)踐經(jīng)驗(yàn)者優(yōu)先，有火山云，阿里云等云廠商使用經(jīng)驗(yàn)；
3、有大型Al集群(含多機(jī)多卡分布式訓(xùn)練)運(yùn)維經(jīng)驗(yàn)，了解TensorFlow/PyTorch等框架的運(yùn)行機(jī)制。
4。具備實(shí)際問題分析與故障排查能力，能快速定位并解決平臺與機(jī)房的復(fù)雜問題。
5、熟悉Containerd、Docker、Kubernetes等容器技術(shù)；
6、掌握shell、python等至少一種腳本語言；
加分點(diǎn)：
1、熟悉分布式系統(tǒng)研發(fā)（包括但不限于Kubeflow、AutoML、Spark 等）；
2、有機(jī)器學(xué)習(xí)平臺開發(fā)經(jīng)驗(yàn)（包括但不限于PyTorch、PaddlePaddle.TVM、Triton等）；
3、熟悉數(shù)據(jù)庫（包括但不限于SQL、LMDB、TF Record、Webdataset、Lance）,能夠有效地進(jìn)行數(shù)據(jù)存儲和檢索；
4、具備較強(qiáng)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與調(diào)優(yōu)實(shí)踐經(jīng)驗(yàn)；
5、了解通用GPU架構(gòu)以及業(yè)內(nèi)相關(guān)虛擬化方案；
6、了解高性能網(wǎng)絡(luò)相關(guān)技術(shù)，對RDMA編程以及相關(guān)流控技術(shù)有一定的技術(shù)儲備加分；
7、有過大型項(xiàng)目開發(fā)經(jīng)驗(yàn)，代碼功底扎實(shí)；
8、具備模型訓(xùn)練&部署經(jīng)驗(yàn)優(yōu)先；
9、熟悉編譯器（LLVM、MLIR）、并行計(jì)算（CUDA、OpenCL等）、高性能計(jì)算（MPI、HPC）以及存儲引擎；