MLOps工程师

该职位负责设计、构建和维护机器学习模型所需的基础设施和自动化流水线，包括持续集成/持续交付流水线（使用GitHub Actions、GitLab CI或Jenkins）、在Kubernetes（EKS/GKE）上构建和扩展模型部署基础设施（使用Kubeflow、Seldon Core或Triton Inference Server）、实现特征存储（Feast、Tecton）和数据流水线以确保离线训练与在线服务环境的一致性、设置全面的监控和告警系统（使用Prometheus、Grafana和Arize）以监控模型漂移、概念漂移和系统延迟、通过量化、剪枝和硬件加速运行时（如TensorRT或ONNX）优化模型推理性能、与安全和合规团队合作实施模型治理、访问控制和可重复审计追踪。

3-6年经验，其中至少2年专注于生产环境中的MLOps；精通Python和shell脚本，深入掌握Docker和Kubernetes容器化及编排；有云原生ML平台（如AWS SageMaker、GCP Vertex AI或Azure ML）的实际经验；熟悉基础设施即代码（IaC）工具，特别是Terraform或CloudFormation；对ML生命周期管理工具（如MLflow、Weights & Biases或DVC）有扎实理解；加分项：有使用vLLM、Hugging Face TGI或DeepSpeed部署和托管大型语言模型（LLMs）的经验。