科创运维中心-AI平台运维工程师
中数联物流科技(上海)有限公司 · 上海-浦东新区 · 社招
AI 摘要智能生成
管理和优化AI算力资源(GPU/CPU/存储/网络)
职位描述
1.负责AI平台的日常运维与监控,包括GPU集群、分布式训练平台及推理服务; 2.管理和优化AI算力资源(GPU/CPU/存储/网络),实现高效调度、弹性伸缩与成本优化; 3.支持大模型和小模型的训练、微调、推理任务,保障算力任务稳定运行; 4.建立AI平台的自动化运维体系,包括监控、日志、告警、任务调度、资源隔离与容灾; 5.跟踪AI框架与平台(PyTorch、TensorFlow、vLLM、DeepSpeed、Horovod等)的技术发展并应用到运维体系; 6.制定AI平台运维规范与最佳实践,协同研发团队优化训练/推理效率; 7.处理AI平台故障与性能瓶颈,形成应急响应与持续改进方案。
任职要求
- 本科及以上学历,计算机、人工智能、网络工程等相关专业优先;
- 2年及以上AI平台运维或高性能计算(HPC)运维经验;
- 熟悉GPU集群管理(NVIDIA CUDA、NCCL、Slurm、K8s GPU Operator等);
- 熟悉AI框架(PyTorch、TensorFlow等)及分布式训练工具(DeepSpeed、Horovod、Ray等);
- 熟悉容器化与云原生技术(Docker、Kubernetes、Kubeflow),具备AI任务调度与隔离经验;
- 具备性能调优与故障排查能力,能解决算力瓶颈与任务失败问题;
- 具备文档编写与跨部门协作能力,能推动AI平台高效落地。
- 主导或参与过大规模GPU集群、AI平台或大模型训练平台的运维项目;
- 熟悉多云/混合云环境下的AI资源调度与成本优化;
- 具备AI推理服务优化经验(vLLM、TensorRT、ONNX Runtime)。