字节跳动SRE AI高级工程师-基础架构
任职要求
1、本科及以上学历，计算机相关专业或具备同等实践经验，拥有五年以上SRE工作经验； 2、熟悉GPU/XPU资源管理和调度，具备大规模高性能计算集群的管理经验； 3、具备深厚的计算机系统基础知识，了解操作系统、存储和网络IO等相关原理； 4、具备以下一项或多项软件开发经验：Go/Python/Java/C++等，能够编写高效、稳定的系统工具和自动化脚本； 5、有丰富的生产环境故障排查和性能调优经验，能够快速定位和解决问题；熟悉AI大模型训练框架（如TensorFlow、PyTorch等），了解大规模分布式训练的实现细节和优化方…
工作职责
1、负责海量高性能GPU/XPU卡的资源交付与一致性保障，涵盖万卡大模型训练、在线推理、在线搜索、推荐训练等不同业务场景的集群管理； 2、学习并深入了解GPU业务方的使用姿势和训练框架，掌握前沿AI大模型技术，解决超大规模场景下的稳定性挑战，涉及NvidiaH100、A100、昇腾、以及自研XPU等高性能卡型的使用； 3、构建自动化工程，确保生产环境的稳定性和资源在线率，及时发现并隔离故障GPU资源，提高资源流转效率； 4、通过优秀的工程架构设计，参与生产集群和服务的整个生命周期，满足可持续发展的需求并提高系统稳定性，包括架构规划、评审、设计、部署和上线等环节。
-负责百度云CDN&边缘计算平台的资源交付、容量管理及大规模分布式集群的架构设计工作，构建行业领先的资源平台 -负责百度云CDN&边缘计算自动化运维平台发布实践、实现CI/CD全流程管控，打造智能化运维平台提升效率及产品服务稳定性 -负责百度云CDN&边缘计算业务运营、指标体系建设 -负责百度云CDN&边缘计算大客户解决方案落地及质量调优工作
1、承担MaxCompute管控系统架构师角色，负责产品技术架构演进方向 2、面向全球不同客户设计合理的产品方案，梳理存储、计算、售卖、控制台、运维体系架构，确定技术方案选型 3、承担MaxCompute管控系统设计、研发、测试、发布与运维 4、与MaxCompute各研发团队+SRE中台团队+阿里云售卖平台配合，共同推进技术项目按要求落地
1、负责支撑网易集团旗下云音乐、Loft、支付等互联网产品的运维工作（涵盖操作系统运维、系统运维、容器运维等多个层面的工作），帮助业务持续提升产品稳定性； 2、负责相关运维工具和平台研发，通过工具和平台将运维能力赋能给外部其他团队，帮助其他团队提升效率； 3、关注业界前沿技术动态，通过新的运维技术和方法解决线上问题，提升团队运维质量； 4、持续优化运维操作和流程，保障海量用户的互联网产品稳定运行。
-负责金融联合建模产品各类在线服务和自动化工具开发，保障服务可靠、稳定、高效运行，保障服务稳定性和数据质量，保障产品SLA -基于百度已有基础设施设计金融联合建模相关在线服务稳定性解决方案，包括预防、止损、降级、容量管理、弹性部署、故障分析、流量分配、性能调优等方案 -参与金融联合建模产品各类在线服务和各类模型产品部署运行架构设计，主导服务可靠性相关自动化系统的实现，满足严格的质量与效率要求 -利用百度已有基础设施和开源技术设计和实施产品监控系统、容灾策略和灾难恢复预案，响应和处理生产环境中的紧急事件，最小化服务中断 -关注业界前沿技术动态，负责大规模机器学习模型在线预测系统优化，演进和新接入技术探索和应用