机器学习生产管理研发工程师 - Data AML

团队介绍：Data AML是字节跳动的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。 1、AML(Applied Machine Learning)训练平台稳定性保障与治理： 1）全面负责训练任务链路稳定性，包括任务调度（Scheduler）→分布式训练框架→运行环境（集群Kubernetes、CPU/GPU服务器）→样本与模型存储（HDFS/BMQ）→跨机房网络； 2）负责训练任务稳定性的Oncall值班与故障应急响应，主导事故复盘与Root Cause分析，推动改进项（预案、SOP、自动化治理）落地； 3）建立并优化训练平台在硬件层、服务层，以及业务层的稳定性指标体系（SLO/SLA）； 2、AML(Applied Machine Learning)训练平台的工程化与变更管理： 1）负责分布式训练框架、训练任务编排与调度系统等关键组件的版本管理与变更治理； 2）推动变更风险控制体系，包含灰度发布、自动回滚、对比实验、变更检测机制； 3）建立训练任务的自动巡检系统与Pre-flight Check机制，通过工程化手段减少常见版本或配置类事故； 3、基础设施资源管理与效率优化： 1）负责训练任务的资源精细化管理与优化，包括GPU、CPU、网络带宽及调度队列等，提升资源利用率； 2）针对跨机房数据交互（样本、BMQ、模型同步）进行深度分析，制定并输出有效的限流与止损策略； 3）协同模型训练算法团队、架构团队及运维团队，共同推动训练效率提升与架构降本。 【任职要求】 1、本科及以上学历，计算机科学与技术、软件工程、人工智能、通信、自动化等相关专业；具备1年以上平台开发/DevOps/SRE工作经验，1年以上机器学习相关工作经验者优先； 2、熟练掌握Linux操作系统，精通Shell/Python/Go等至少2种编程语言；熟悉应用机器学习模型在线服务架构，了解TensorFlow/PyTorch等模型的推理原理，熟悉K8s生态架构，有K8s应用管理经验； 3、具备较强的问题诊断能力，能熟练通过指标、日志、结构化数据推断系统瓶颈； 4、具备强烈的责任心与学习能力，对新事物有好奇心，自驱力强；具备良好的跨团队协作能力，能有效对接算法团队、业务架构团队、基础设施团队等，推动问题高效解决；具备主动学习能力，关注应用机器学习领域的技术趋势，能将新技术、新工具引入实际工作，提升运维效率。 加分项： 1、有过平台/工程开发、架构经验者优先； 2、分布式训练平台运维或开发经验（如Torch/TF分布式、Horovod、Parameter Server）； 3、熟悉HDFS、Kafka/BMQ、跨机房网络架构等底层基础设施； 4、有SLO建设、Chaos工程（混沌工程）、容量治理、变更治理相关实战经验； 5、具备数据分析（Data Analysis）或性能分析（Profiling）能力。