AI Infra 工程师（机器学习平台与算力调度）
职位描述
面向具身智能模型的训练、推理与评测，建设算力管理与机器学习平台能力，提升算力有效利用、任务稳定性和研发效率。
岗位职责
算力监控与调度：基于现有平台完善 GPU 监控、使用分析及队列、优先级、配额和资源回收机制，改善排队、闲置与碎片问题，支持多团队权限隔离。
训练性能分析：开展基础 GPU profiling，定位计算、通信和数据读取瓶颈，提升训练效率与稳定性。
训练数据优化：优化数据预处理、组织、读取与缓存，提高数据供给效率和稳定性。
Checkpoint 管理：完善保存、恢复、版本及保留清理机制，降低读写开销，支持断点续训。
机器学习平台：开发训练、推理与评测工具和平台，完善任务提交、环境配置、日志诊断、批量推理、自动化评测及结果管理。任职要求
计算机基础扎实，具备良好的编程、调试和问题定位能力。
熟悉 Python、Linux 和常用开发工具，了解 PyTorch 及模型训练基本流程。
有良好的工程习惯和协作能力，能够通过日志、指标和实验验证问题与优化效果。
有机器学习平台、GPU 资源管理或相关基础设施开发经验，能够独立负责模块；有大型互联网公司或 AI 公司机器学习平台经验者优先。
加分项
有 Kubernetes、Slurm、云端机器学习平台或 GPU 监控相关经验。
有 GPU profiling、分布式训练、数据加载或存储性能优化经验。
有推理评测框架、多模态或具身智能相关工程经验。
立即投递
