机器学习平台工程师

工作职责: 与公司算法和框架团队深度合作，为大模型进行算法与算力深度结合的的联合优化，打造超大规模高效可靠的大规模算力平台，提升平台可用性和容错性，提升训练任务的运行和开发效率。 进行前瞻性技术调研且进行自主创新，保持公司在大模型系统方面的技术领先地位。 负责机器学习平台的开发，支撑公司相关业务的算法生产与高效迭代； 负责设计和实现机器学习相关的基础设施、工具链、训推产品等，并推动落地到业务中； 负责训推任务的监控、问题监测、性能调优，降本增效； 探索业界前沿的AI Ops相关技术，持续提升平台能力、降低算法使用成本； 任职资格： 统招研究生及以上学历 ，计算机科学 、人工智能或相关领域专业。两年及以上相关工作经验 了解前沿的AI技术，有工程实践经验者优先； 熟练掌握Linux环境下的C/C++，Go，Python语言。 了解或使用过常用MLOps和任务调度框架之一：Kubeflow，MLFlow，Volcano，或类似自研项目。 熟悉英伟达/AMD/国产GPU/NPU计算卡的环境配置和编程；熟悉RoCE/IB等高速网络环境配置和编程；熟悉CUDA、NCCL等计算和通行库的原理和使用；熟悉CUDA和NCCL相关问题的调研和排错者优先；具有二次开发能力者优先； 熟悉TensorFlow/PyTorch模型的训练和部署；掌握K8s扩展功能开发者优先； 了解Agent原理和技术进展，有工程实践经验者优先； 了解业界常用深度学习框架，如Tensorflow/PyTorch，了解常用的分布式加速库包括但不限于：Megatron，DeepSpeed等； 具有独立解决问题的能力，良好的团队合作精神。 有强烈的工作责任心，较好的学习能力、沟通能力和自驱力；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。