AI Infra 团队负责人(A144469)
Technology
求之科技(无锡)有限公司北京-海淀区, 中国¥30,000 - ¥60,000 /月2个月前
职位描述
职位描述: 工作内容: 1. 负责大规模训练与推理基础设施的整体规划、建设和稳定交付。 2. 建设多机多卡训练、任务调度、监控告警、故障恢复和实验管理体系。 3. 系统优化计算、通信、显存、数据 I/O、Checkpoint 和推理链路。 4. 带领 Infra 团队推进性能与稳定性目标,并与算法和数据团队协作。 职位要求: 工作要求: 1. 有大模型训练平台、推理平台或 GPU 集群建设经验。 2. 熟悉 PyTorch Distributed、NCCL、DeepSpeed、FSDP 等分布式训练技术。 3. 熟悉 Docker、Slurm/Kubernetes、分布式存储和高速网络。 4. 能够使用 Nsight Systems 等工具分析计算、通信、显存和 I/O 瓶颈。 5. 具备系统架构、复杂故障定位、性能优化、项目推进和团队管理能力。 加分项: 1. 在 MLSys、OSDI、SOSP、ASPLOS 等系统或机器学习系统会议发表过论文。 2. 曾担任 AI Infra、训练平台或高性能计算团队负责人。 3. 有 RDMA/高速互联、训练容错、CUDA/Triton、推理加速或大规模集群经验。
Keywords
经验不限CUDADeepSpeedPyTorchSlurm Workload ManagerTritiumDockerKubernetes
对这个职位感兴趣吗?