1. 负责GPU/CPU服务器、网络存储及AI基础设施（K8s+MPI/DeepSpeed）日常巡检与维护。 2. 建立应急预案，快速响应集群宕机、训练中断等故障，精准定位并沉淀规避方案。 3. 监控算力利用率，优化调度策略与运行参数，解决显存不足及通信延迟等瓶颈。 4. 对接分布式存储（Ceph/GlusterFS），保障AI训练数据与模型的安全及高并发访问。 5. 统一配置GPU驱动、CUDA/CUDNN及深度学习框架，通过自动化工具管控配置一致性。 6. 协助算法团队优化分布式训练方案，支撑大模型训练/推理的资源调度与落地。 7. 搭建运维自动化体系，利用Ansible/Jenkins实现部署、更新及故障自愈的自动化。 8. 落实权限管控与漏洞防护，定期开展压力测试与灾备演练，保障集群高负载稳定。 1. 计算机、软件工程等相关专业本科及以上学历。 2. 5年以上AI/HPC集群运维经验，熟悉K8s+AI调度（Volcano/Kubeflow）及DeepSpeed。 3. 精通Linux系统管理，熟练使用Shell/Python开发自动化运维工具与巡检脚本。 4. 精通GPU硬件特性、CUDA/CUDNN版本适配，掌握显存分析与算力性能调优。 5. 熟悉Docker/K8s及AI原生调度工具，掌握Ceph/GlusterFS等分布式存储维护。 6. 熟悉TensorFlow/PyTorch及MPI/NCCL分布式训练技术，能排查集群层面问题。 7. 具备扎实网络基础，熟悉TCP/IP及InfiniBand高速网络配置与延迟排查。 加分项 a, 具备大规模GPU集群及分布式训练集群实战运维经验者优先。 b, 有主导集群版本迭代、新硬件接入及自动化工具部署经验者优先。

微信扫一扫，及时了解投递状态

您目前还没有登录：立即登录