AI基础设施的Site Reliability Engineer

我们运营遍布欧洲和美国的最先进的人工智能工厂，运行大型NVIDIA GPU集群（H100、H200、B200、B300）在裸金属上，用于前沿人工智能工作负载。我们设计、构建和运营整个堆栈：数据中心的电力和冷却、InfiniBand网络、SLURM和Kubernetes编排、存储以及将原始铁转化为可靠计算的控制平面。

深度SRE/HPC背景：5年以上SRE、系统工程或HPC操作经验。SLURM专家：在大规模SLURM上有生产经验（会计/slurmdbd，prolog/epilog脚本，cgroups，GRES，拓扑意识）。NVIDIA堆栈掌握：有NVIDIA数据中心GPU、驱动栈、CUDA运行时、Fabric Manager、nvidia-smi、DCGM和GPU Direct RDMA的实战经验。网络：在100G或更高速度的InfiniBand网络上有操作经验（OpenSM/UFM，ibdiagnet，perfquery，和网络故障排除）。Linux管理：专家级Linux管理员技能（Ubuntu/RHEL家族），包括内核调优、systemd、网络和PXE部署。自动化：在Python和Bash中有扎实的脚本技能，加上Ansible或Terraform的了解。Nice to Have：分布式训练：有NCCL内部经验、PyTorch分布式或Megatron风格训练堆栈经验。集群管理：熟悉BCM（基础命令管理器）、Run:ai或类似管理器。Kubernetes：有在裸金属上运行Kubernetes的经验，带有GPU、网络和MPI操作符。存储：接触高性能存储如Lustre、WEKA、VAST或BeeGFS。基础设施上下文：在AI云、neocloud、HPC中心或超大规模云环境中有先前工作经验。

我们运营遍布欧洲和美国的最先进的人工智能工厂，运行大型NVIDIA GPU集群（H100、H200、B200、B300）在裸金属上，用于前沿人工智能工作负载。我们设计、构建和运营整个堆栈：数据中心的电力和冷却、InfiniBand网络、SLURM和Kubernetes编排、存储以及将原始铁转化为可靠计算的控制平面。