滴滴AI集群工程师(J251013006)
任职要求
必备技能 - 3年以上Kubernetes生产环境经验，精通调度机制和节点管 - 熟悉GPU资源管理（NVIDIA GPU Operator、GPU共享、拓扑感知调度） - 熟练掌握Go/Python语言，有Kubernetes源码阅读或二次开发经验 - 具备大规模集群（百节点以上）运…
工作职责
我们正在寻找资深AI集群工程师，负责构建和优化大规模GPU计算基础设施。作为AI算力平台的核心建设者，您将参与从硬件选型到调度优化的全链路工作，支撑公司核心AI业务的万卡级算力需求。 Kubernetes调度与计算平台 资源调度与集群管理 - 设计和实现GPU算力调度系统，优化资源利用率和作业调度效率 - 负责Kubernetes节点组件（kubelet、container runtime）的稳定性、性能优化 - 深度排查Kubernetes集群复杂问题 计算平台与节点优化 - 参与服务器硬件选型、测试和验收，重点优化GPU服务器性能 - 推进国产AI芯片的生态适配 - 建立集群故障感知召回体系，提高AI计算资源利用率，维护线上集群稳定性 扩展方向：性能优化（附加项） - 参与AI集群网络优化（NCCL/RoCEv2），提升分布式训练通信效率 - 深入文件系统、缓存、镜像、cri细节，优化容器启动速度
岗位职责 1. GPU集群运维与管理 -负责AI训练与推理所需的GPU服务器、集群及相关基础设施的日常运维。 -进行GPU资源全生命周期管理，保障AI任务的高效运行。 2. 系统部署与优化 -参与OS、GPU驱动、CUDA、cuDNN、NCCL等基础环境的安装、升级与兼容性测试。 -针对AI训练/推理任务优化系统参数（如内核调优、RDMA调优、IO调优等）。 3. 故障排查与性能调优 -快速定位并解决GPU服务器硬件、网络、存储等相关问题。 -分析任务运行日志与监控数据，优化资源利用率。 4. 自动化与工具开发 -编写脚本（Python/Bash等）实现批量部署、监控报警、日志采集、备机管理等自动化运维功能。 -参与GPU集群管理平台的功能扩展与性能优化。 5. 跨团队协作 -与模型训练、推理服务、数据服务团队紧密合作，理解业务需求并提供技术支持。 -协助业务团队定位模型运行中的硬件/系统瓶颈。
-负责百度AI计算集群高性能通信库研发工作 -负责百度AI计算集群训推框架通信优化工作 -负责百度AI计算集群通信性能与可用性诊断工作 -负责百度AI计算集群与通信关联的其他软件研发与维护工作
-负责百度AI计算集群高性能通信库研发工作 -负责百度AI计算集群训推框架通信优化工作 -负责百度AI计算集群通信性能与可用性诊断工作 -负责百度AI计算集群与通信关联的其他软件研发与维护工作
-参与万卡GPU集群的建设与核心技术的研发工作； -设计并实现自适应的分布式系统框架，算子与通信极致优化，并行策略自动切分，提升大模型训练和推理效率； -探索多芯混合集群高效的训练策略，让任意集群的算力效率都充分发挥出来； -探索算法与算力（芯片设计、集群设计）协同优化的方案，跨数量级降低大模型训练和推理的成本。