字节跳动平台型高效SRE专家

1.负责理想汽车软件、芯片研发基础设施的运营管理，保障核心应用的稳定可靠运行，结合业界技术演进迭代基础设施架构，通过规范化、标准化、自动化、智能化等手段不断提升运营效率和服务质量。 2.研发构建核心基础设施工具链，以及相应监控、配置、日志、智能化运营（AIOps）能力建设，制定业务相关的运维技术方案，确保业务高效稳定的运行。 3.负责服务的容量规划和预测，软件的性能分析以及系统调优，软硬件系统的采购与服务部署等。 4.负责高可用和可观测体系建设，制定如全链路监控、故障定位、自动恢复、异地容灾等方案并落地实施，保障业务持续可用。 5.和算法、工程团队协同完成研发基础设施的智能化改造，构建新一代 AI 友好型研发基础设施。 6.负责技术运营（SRE）团队的日常管理，带领团队达成业务建设目标。

1.负责理想汽车软件、芯片研发基础设施的运营管理，保障核心应用的稳定可靠运行，结合业界技术演进迭代基础设施架构，通过规范化、标准化、自动化、智能化等手段不断提升运营效率和服务质量。 2.研发构建核心基础设施工具链，以及相应监控、配置、日志、智能化运营（AIOps）能力建设，制定业务相关的运维技术方案，确保业务高效稳定的运行。 3.负责服务的容量规划和预测，软件的性能分析以及系统调优，软硬件系统的采购与服务部署等。 4.负责高可用和可观测体系建设，制定如全链路监控、故障定位、自动恢复、异地容灾等方案并落地实施，保障业务持续可用。 5.和算法、工程团队协同完成研发基础设施的智能化改造，构建新一代 AI 友好型研发基础设施。

我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 1、参与设计实现支持RLHF/DPO等对齐技术的高效训练框架，优化强化学习阶段的Rollout、Reward Model集成、多阶段训练 Pipline； 2、研发支持多机多卡 RL 的分布式训练框架，开发TP/PP/ZeRO-3与RL流程的动态协同机制，解决 RL 算法在超长时序下的显存/通信瓶刭 3、构建端到端后训练工具链，主导框架与 MLOps 平台集成，提供训练可视化、自动超参搜索等生产级能力 4、与公司各算法部门深度合作，参与大语言模型LLM、多模态大模型 MLLM等业务在 SFT/RL领域的算法探索和引擎迭代； 5、参与分析各业务 GPU 利用率与饱和度等指标，结合业务场景持续优化训练框架能力，提升框架领先性。

【业务介绍】 作为公司统一的机器学习平台团队，负责调度公司所有模型训练与推理资源；基于自建的训推引擎，构建公司统一的机器学习平台，为公司所有算法同学（稀疏 & 稠密，含 LLM） 模型迭代提供端到端的一站式服务；包括 数据生产，模型训练，模型上线，特征管理，模型测试，资源管控等一系列能力。 【岗位职责】 1、负责机器学习链路，离在线数据相关的开发工作，包括样本数据、特征数据等的数据链路搭建、任务运维和调优、性能优化等 2、负责小红书大规模机器学习平台的后台系统设计和开发工作；包括样本平台，特征平台，训练平台，推理平台等AI应用后台建设等； 3、研究分析业内AI平台产品，优化技术方案，改进产品功能，完善产品体验。