职位描述

我们正在寻找一名AI基础设施工程师，负责设计、构建和操作支持大规模AI训练和推理工作负载的平台层。该职位专注于GPU集群、分布式训练框架、调度、存储性能和ML工程师及研究人员的开发体验，强调可靠性、效率和成本控制。理想的候选人具备在大规模上构建或操作生产AI基础设施的经验，理解硬件、内核、调度器和ML框架之间的交互，并将强软件工程纪律应用于平台工作。

任职要求

学士或硕士学位，计算机科学或相关领域；6年以上在基础设施、平台或HPC工程的经验；有操作GPU集群或大规模ML训练基础设施的实践经验；精通Python和至少一种系统语言如Go或C++；深入理解分布式训练、加速器架构和集体通信；有Kubernetes、Slurm、Ray或类似调度系统在ML工作负载中的经验；对Linux内核、网络和高性能存储有深入理解；有至少一个主要云提供商的ML基础设施服务经验；强软件工程实践，包括测试、CI/CD和代码审查；优秀的沟通和跨职能协作技能。