工程算力

1. 算力项目工程实施：负责GPU/CPU/国产算力服务器、集群、高速网络、存储环境的现场部署、调试、上架、联调，完成算力环境交付验收。
2. 算力资源调度与管理：搭建、维护算力调度系统，完成算力资源纳管、多租户配额、任务优先级、资源抢占、算力隔离，优化算力分配策略，提升算力利用率，减少资源浪费。
3. 算力性能测试与调优：开展算力基准测试、模型跑测、吞吐、延迟、显存、带宽压力测试；针对多机多卡、分布式训练、推理业务做网络、存储、驱动、框架参数调优，解决算力瓶颈、通信卡顿、任务崩溃问题。
4. 算力监控、运维与故障处理：搭建算力监控告警体系，实时监控服务器、GPU显存、算力负载、温度功耗、网络、任务运行状态；快速定位硬件故障、驱动异常、调度报错、通信故障，完成应急处理、故障复盘与优化改进。
5. 算力成本与容量管理：统计算力使用时长、算力能耗、硬件损耗，评估算力成本；根据业务增长做算力容量规划、算力扩容、闲置算力回收、弹性伸缩方案，控制算力运营成本。
6. 算力环境适配与兼容性工程：完成CUDA、驱动、容器镜像、AI框架、加速库环境部署适配；完成国产算力芯片、异构算力环境迁移、适配、测试工作，输出适配报告。
7. 算力方案输出与技术支撑：对接研发、算法、业务、客户需求，输出算力工程实施方案、部署文档、测试报告、运维规范；为内部团队或客户提供算力环境技术支持、问题排查、POC验证测试。
8. 技术文档沉淀：编写算力部署手册、运维手册、性能报告、故障案例、标准作业流程，推进算力工程流程标准化、自动化。
9. 跟踪算力硬件、高速网络、算力调度、算力虚拟化等新技术，开展技术预研、可行性评估、试点落地。