AI Engineer - AI Infra_2079

岗位描述/Department Mission

· 负责大模型基础设施平台的设计和实施

主要职责/Your Responsibilities (within 5 lines):

Technical key words (at least 3 words):

· 负责AI基础设施平台的整体架构设计与技术规划，主导Infra方案的落地实施；

· 搭建并优化大规模训练系统，确保稳定性，解决模型训练过程中的系统瓶颈问题，包括通信、存储、调度等关键环节；

· 主导分布式训练框架的选型、优化与二次开发，开发GPU/加速器资源调度策略，持续提升训练效率与资源利用率；

· 与算法团队紧密协作，建立先进的训练调度机制、自动训练框架、模型评估体系；通过自动化、监控及性能调优，持续增强平台易用性、扩展性与可靠性

岗位要求/Required Qualification:

· 本科及以上学历，计算机、软件工程等相关专业，5年以上工作经验

· 熟悉MLOps相关技术，有算法及框架在该领域的落地经验

· 精通分布式训练原理，熟悉Megatron-LM、FSDP、Deepspeed等主流分布式训练框架；

· 熟悉GPU集群架构、高性能网络（RDMA/InfiniBand）、并行存储系统；

· 熟悉NCCL/Gloo等通信库原理，有通信优化经验；

· 具备搭建评估系统或相关自动化工具的经验，对模型指标监控、对比测试、可视化工具(TensorBoard、MLflow等)和可视化等有深入理解

加分项：

· 参与或主导过AI训练平台或数据平台的设计工作

参与或搭建过机器学习数据管理、模型监控、模型可解释性工具的经验