字节跳动高级服务器硬件故障分析工程师-Data
任职要求
1、本科及以上学历，计算机科学、电子工程、通信工程等相关专业；
2、拥有3年以上服务器/数据中心硬件故障分析或运维经验；
3、熟悉服务器硬件架构，涵盖 x86/ARM架构、PCIe/NVMe协议，以及CPU、Disk、Memory、GPU、NIC、AOC等关键部件；
4、熟悉BMC/IPMI协议、Redf…工作职责
1、负责字节跳动全球百万级服务器硬件监控体系及自动化运维体系的建设工作；深度参与线上新机型、新硬件及新场景的硬件监控方案制定与适配流程，精准定义并持续完善各类硬件故障判断标准，显著提升硬件监控的准确率与召回率，为服务器稳定运行保驾护航； 2、针对线上复杂的服务器硬件疑难故障，依托服务器底层黑盒日志（如BMC日志、IPMI/SMBIOS数据、操作系统内核日志、硬件事件日志等）展开深度分析；协同内外部软硬件研发专家，实现疑难故障的精准根因定位；积极推动线上疑难故障自动化诊断分析能力建设，不断提高硬件故障监控诊断明确化率与报修维修一致率，有效降低故障返修率； 3、负责线上服务器监控相关Oncall问题的快速排查、精准定位与深度分析，及时为团队提供专业答疑；建立并完善硬件故障知识库，系统沉淀典型故障案例及高效排查方法论，助力团队整体技术能力提升。
【业务介绍】 我们是小红书内稠密类模型（LLM/MLLM/SD/CV/NLP）统一的AI平台QuickSilver，负责调度公司内所有稠密类模型训练与推理资源，基于自建的训推引擎，为公司所有AI算法同学迭代业务模型提供端到端一站式AI服务；包括数据管理，模型管理，模型训练、压缩、推理、部署，服务管理，资源调度等一系列能力。 工作职责： 1、负责稠密类模型训练推理开发平台的架构设计和核心功能研发 2、设计和实现大模型训练部署流程，包括模型fine-tuning、推理服务化等 3、构建云原生架构，设计高可用、高性能的微服务体系 4、优化平台性能，提升系统稳定性和可扩展性
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
关于我们： 滴滴国际化Fintech业务，是滴滴国际化战略的重要组成板块。近年来，滴滴Fintech在拉美地区积极探索和开展电子支付、信贷、信用卡、商户收单等业务，为当地用户带来更便捷、优质、更高性价比的金融服务。我们诚挚邀请真诚、可靠、勇于挑战的您和我们一起，携手并肩，拥抱金融出海的浪潮，和滴滴Fintech一起快速成长。 职位描述： 1、参与并完成风控平台基建研发，包括决策引擎、特征平台、核身、模型、名单、图数据库、监控平台、Databus等多个方向 2、建设提效工具，提升风控研发流程的效率。 3、积极跟其他团队沟通和配合，推动项目进展，讨论并提出有建设性的意见。
滴滴国际化Fintech业务，是滴滴国际化战略的重要组成板块。其支付业务，已经覆盖了全球十多个国家，在中国互联网公司出海中出类拔萃。 自2021年开始，滴滴Fintech在拉美地区大力发展电子支付和信贷业务。短短2年时间，其个人信贷业务，已经在墨西哥的Fintech玩家中位于第一梯队；其电子钱包业务也在巴西的Fintech玩家中也名列前茅，实现快速增长。此外，滴滴Fintech还在拉美地区积极探索和开展信用卡、商户收单等业务，为当地用户带来更便捷、优质、更高性价比的金融服务，实现多个从0到1的突破。 我们诚挚邀请真诚、 可靠、勇于挑战的您和我们一起，携手并肩，拥抱金融出海的浪潮。和滴滴Fintech一起，实现从0到1，从1到100的快速成长 职位描述： 1、参与并完成风控平台基建研发，包括决策引擎、特征平台、核身、模型、名单、图数据库、监控平台、Databus等多个方向 2、建设提效工具，提升风控研发流程的效率。 3、积极跟其他团队沟通和配合，推动项目进展，讨论并提出有建设性的意见。