【2027春季实习生】AI基础设施实习生

欢迎2028年毕业的在校本科、硕士、博士生投递。

该岗位的入职时间为2027年2月及以后，我们将在2026年10月至2027年1月陆续发出面试邀约。

岗位职责：

在敏捷、快节奏的全球化协作环境中，参与大规模分布式系统基础设施的全生命周期开发（包括需求收集、架构设计、开发实现、测试、部署、发布及后期支持）。

搭建并维护具备监控（Monitoring）、日志记录（Logging）、可视化（Visualization）及告警（Alerting）功能的系统基础设施，并保障高可用性（Uptime）。

为运行在 HPC（高性能计算）GPU 集群上的真实机器学习/深度学习（ML/DL）应用构建内部性能分析（Profiling）工具。通过故障与效率分析，助力当前及下一代 GPU 集群及相关硬件的持续优化。

紧跟 ML/DL 领域的最新技术进展，与各类应用负责人及研究团队密切合作，为当前及未来潜在的技术特性增加或优化性能分析需求。

岗位要求：

计算机科学或相关专业本科及以上学历。

精通软件开发，具备扎实的 Python 编程能力。

熟练使用 Gitlab（或其他源码管理工具）进行代码分支管理与版本发布，熟悉 CI/CD 流水线。

扎实掌握算法与数据结构，对时间/空间复杂度（Runtime/space complexity）有深刻理解。

了解分布式系统的基础软件架构。

对 HPC GPU 集群及 Slurm 调度系统有基本了解。

熟悉机器学习领域的基础概念与专业术语。

具备一定的数据库背景，熟悉 SQL 及主流 NoSQL 数据库（如 Prometheus, Elasticsearch, OpenSearch, Redis 等）。

加分项：

具备分布式数据管道（Data Pipeline）、系统遥测（Telemetry）、数据可视化（如 Kibana, Grafana 等）以及告警系统（如 PagerDuty 等）的实战经验。

熟悉大语言模型（LLM）的训练特性及核心库，例如：Checkpointing（检查点机制）、并行训练技术（Parallelism）、PyTorch、Megatron-LM、NCCL 等。

拥有 HPC 任务调度器（特别是 Slurm）的丰富使用与配置经验。