机器学习平台SRE工程师-AML

AML是字节跳动公司的机器学习中台，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。此外，AML还在AI for Science，科学计算等领域做一些前沿研究。 1、负责机器学习系统的稳定运转，支持模型开发、训练与部署； 2、负责GPU/NPU/CPU和存储等资源的管理与规划、成本与预算； 3、负责多地域、多机房的系统容灾、服务部署管理和集群机器治理； 4、开发自动化工具或平台，提升资源利用率和运维人效。 【任职要求】 1、三年以上运维开发项目经验； 2、熟练掌握Linux环境下的Go/Python/Shell等1至2种以上语言； 3、有大型分布式系统的资源管理和任务调度系统运维经验，熟悉Kubernetes生态和架构； 4、有强烈的工作责任心，出色的学习能力、沟通能力和自驱力，良好的团队合作精神； 5、有优秀的逻辑分析能力，能够对业务逻辑进行合理的抽象和拆分； 6、有良好的工作文档习惯，及时按要求撰写更新工作流程及技术文档。 加分项： 1、从事过大规模分布式系统的运维； 2、有GPU服务器的运维经验。