岗位职责： 1、设计并搭建高性能，高可扩展的AI基础设施平台，支持模型的训练与推理任务，优化GPU集群资源调度策略。 2、构建容器化部署方案(Kubernetes/Docker)，构建高质量训练&推理镜像。 3、搭建AI系统全链路监控体系(Prometheus/Grafana/ELK)，实时追踪GPU利用率，推理延迟，错误率等核心指 4、维护分布式存储系统(如JuiceFS,Cubefs等)，确保训练推理数据的高可用与读写性能。制定并执行机房容灾备份策略，防范硬件故障，数据丢失等风险。 5、负责机器学习平台的开发，支撑公司训练，评测，标注等相关业务的算法生产与高效迭代 6、负责对接训练平台在自动驾驶数据流中的上下游，具体包括提升数据预处理的效率，提供用户友好的模型管理工具等； 任职要求： 1、统招本科及以上学历，计算机科学，人工智能或相关领域专业。 2、了解前沿的AI技术，有工程实践经验者优先，有火山云，阿里云等云厂商使用经验； 3、有大型Al集群(含多机多卡分布式训练)运维经验，了解TensorFlow/PyTorch等框架的运行机制。 4。具备实际问题分析与故障排查能力，能快速定位并解决平台与机房的复杂问题。 5、熟悉Containerd、Docker、Kubernetes等容器技术； 6、掌握shell、python等至少一种脚本语言； 加分点： 1、熟悉分布式系统研发（包括但不限于Kubeflow、AutoML、Spark 等）； 2、有机器学习平台开发经验（包括但不限于PyTorch、PaddlePaddle.TVM、Triton等）； 3、熟悉数据库（包括但不限于SQL、LMDB、TF Record、Webdataset、Lance）,能够有效地进行数据存储和检索； 4、具备较强神经网络模型训练与调优实践经验； 5、了解通用GPU架构以及业内相关虚拟化方案； 6、了解高性能网络相关技术，对RDMA编程以及相关流控技术有一定的技术储备加分； 7、有过大型项目开发经验，代码功底扎实； 8、具备模型训练&部署经验优先； 9、熟悉编译器（LLVM、MLIR）、并行计算（CUDA、OpenCL等）、高性能计算（MPI、HPC）以及存储引擎；