滴滴可观测高级研发工程师(J250513021)
任职要求
1、2年及以上研发经验 2、熟悉 Golang/Java/C++ 中一种或多种编程语言 3、熟悉 MySQL/Redis/Clickhouse/ES/Druid/Flink/Kafka/HDF…
工作职责
1、负责滴滴可观测看板、日志&trace等系统的开发，致力于构建高效的可观测架构 2、技术驱动，挖掘用户价值、对标行业，不断拓展架构能力并推动落地 3、负责架构设计与优化，主导代码开发测试，积极推动上线并监控项目质量
1. 参与阿里云战略级产品研发，参与数据采集、处理、查询分析等功能开发与设计； 2. 负责面向 AI 原生应用的可观测数据采集，涉及数据采集探针（Python、Go、Java、eBPF 探针）的研发工作，为 AI 应用提供无侵入，高性能，低成本的数据采集能力； 3. 负责分布式调用链追踪，应用性能监控核心系统的开发，包含 AIOps 根因定位，Continuous Profiling 持续剖析等方向，帮助 AI 应用以及微服务应用实现代码级根因定位； 4. 参与 OpenTelemetry 开源社区，与国际大公司合作共建社区规范。
1、负责模型训练平台核心功能开发和架构设计，包括传统CN/NLP/SD/LLM等多场景支持 2、负责大模型后训练工具平台化建设，包括后预训练、微调、对齐等技术落地 3、设计和实现高性能分布式训练系统，打造端到端训练解决方案 4、优化训练调度和资源管理，提升集群利用率和训练效率 5、开发模型训练监控诊断工具，建设可观测性体系
1、参与公司内基于Ray的分布式计算场景的方案设计以及研发，包括机器学习、图等场景； 2、参与Ray内核/Kuberay以及相关上层生态框架的功能开发&性能优化； 3、参与Ray在K8s上的弹性/潮汐资源集群稳定性/可观测性/平台化对接等能力建设； 4、参与Ray开源社区的建设。
1. 主导AI训练平台任务调度系统与队列管理架构设计，优化大规模分布式训练任务的资源调度策略与执行效率 2. 开发高并发任务调度算法，解决资源抢占、优先级调度、故障恢复等核心问题，保障万卡级集群资源利用率 3. 构建智能队列管理系统，支持弹性配额、动态优先级调整、故障任务自动迁移等高级功能，满足LLM/VLM等大模型训练需求 4. 负责调度系统可观测性建设与性能优化，培养调度领域技术团队