长鑫存储AI服务器运维工程师-AI Server Operation and Maintenance Engineer(J16534)
任职要求
1. 教育背景与专业知识：全日制本科及以上学历，计算机相关专业，五年以上相关工作经验，优秀者可适当放宽； 2. 行业与专业经验：有半导体从业经验者优先； 3. 专业技能与资格：精通NVIDIA GPU服务器架构，熟悉CUDA、cuDNN环境配置及性能调试；熟练使用Kubernetes管理容器化AI工作负载，了解RDMA、InfiniBand高速网络技术；熟练掌握主流服务器的硬件架构、安装、调试、性能优化及故障处理；熟练掌握…
工作职责
1. 高性能服务器与计算集群部署维护：负责设计、部署和维护支持AI/ML工作负载的高性能服务器和计算集群，确保其稳定性和高效性； 2. 服务器运维与应急处理：负责服务器的架构规划、运行维护、日常变更、资产管理、紧急事件应急处理等工作； 3. 分布式训练环境优化：优化分布式训练环境（如Kubernetes、Slurm集群），提升资源利用率与任务调度效率； 4. 服务器性能优化：优化服务器性能，确保高效处理大规模数据集和复杂模型训练任务； 5. AI团队协同支持：与AI团队合作，提供硬件和基础设施支持，满足AI模型训练和推理需求； 6. 架构设计与技术评估：主导或参与系统架构设计、部署、运维等相关工作，研究和评估新技术应用，并推动适合的技术落地； 7. 基础设施标准化与自动化：负责基础设施的标准化、工具化、自动化，服从上级主管安排的其他工作。
1、负责产品的硬件设计交付，实现产品化，对产品端到端交付质量运维负责，辅助并督导上游ODM/OEM开展设计和质量运维保障工作； 2、对标业界标杆，引入先进质量运维管理方法，并制定相关产品的全流程质量运维管控方案并主导实施，开展供应商质量审核、质量体系评估、运维能力管理，确保改善措施的有效实施； 3、主导分析解决和预防重大产品质量运维问题，主导产品质量问题分析、定位及质量问题的处理与预防； 4、负责大规模服务器从交付到退役的全生命周期运维工作，包括新机型导入（NPI）、操作系统安装、维修、硬件监控、硬件重构、服务器管理等运维自动化系统架构、设计、研发，确保交付质量与效率满足SLA要求； 5、参与制定服务器可靠性标准及平台建设，负责风险应急处置，保障系统稳定性，提升业务的安全性与可持续性； 6、持续跟踪硬件相关领域的技术发展趋势，结合对阿里业务应用场景的深入分析，并推动相关技术的产品化实现。
1、负责产品的硬件设计交付，实现产品化，对产品端到端交付质量运维负责，辅助并督导上游ODM/OEM开展设计和质量运维保障工作； 2、对标业界标杆，引入先进质量运维管理方法，并制定相关产品的全流程质量运维管控方案并主导实施，开展供应商质量审核、质量体系评估、运维能力管理，确保改善措施的有效实施； 3、主导分析解决和预防重大产品质量运维问题，主导产品质量问题分析、定位及质量问题的处理与预防； 4、负责大规模服务器从交付到退役的全生命周期运维工作，包括新机型导入（NPI）、操作系统安装、维修、硬件监控、硬件重构、服务器管理等运维自动化系统架构、设计、研发，确保交付质量与效率满足SLA要求； 5、参与制定服务器可靠性标准及平台建设，负责风险应急处置，保障系统稳定性，提升业务的安全性与可持续性； 6、持续跟踪硬件相关领域的技术发展趋势，结合对阿里业务应用场景的深入分析，并推动相关技术的产品化实现。
职位描述 1. 负责Soc芯片端到端业务场景测试和验证，包括pre-silicon和post-silicon阶段的验证 2. 能根据端到端业务场景设计有效的测试用例和工具对芯片特性进行验证 3. 开源测试工具的适配和导入 4. 基于产品需求, 进行需求分析, 制定测试方案, 设计测试用例并完成自动化使能 5. 针对测试中出现的缺陷，能够与开发人员沟通，并持续跟踪推进 6. 推动产品高质量交付
1、服务器软硬件一体系统设计与开发：基于产品需求分析，进行软硬件结合系统技术方案设计、开发和验证交付。 2、系统性能优化：对AI场景服务器应用进行软硬件一体性能优化和分析，实现软硬件系统稳定性/性能的提升。 3、系统测试与维护：对软硬件系统进行集成验证交付，对系统性问题进行分析定位，快速解决，保证满足系统性能、稳定性等要求。