大疆中/高级机器学习平台工程师（训练平台）
任职要求
1. 精通Go/Python，熟悉Kubernetes+Docker云原生技术栈； 2. 深度掌握至少两家主流公有云API； 3. 熟悉分布式存储系统，具备大规模数据传输优化经验； 4. 了解MLOps生态工具链，有落地MLOps平台对接经验者优先。
工作职责
1. 构建多云异构资源调度体系，整合多家云厂商的AI算力资源，设计优先级策略，实现跨平台资源池化管理和高效动态分配； 2. 设计数据智能路由方案，确保训练数据在混合云环境下高效流动，优化跨云数据同步效率； 3. 对接MLOps系统，实现训练任务编排、版本控制、模型监控等功能的深度集成； 4. 开发资源效能监控系统，实时追踪GPU利用率、任务排队时长等核心指标。
1. 负责一站式机器学习平台的架构升级，支撑百亿级广告收入规模下的商业化算法模型高效迭代 2. 负责深度学习工作流各环节的深度优化，包括特征和样本生产提效，模型训练加速等 3. 与商业化算法团队密切合作，支撑广告算法前沿技术探索和落地
1. 负责业界/学界SOTA方案调研和原型验证； 2. 结合公司业务特点，给出AI Infra建设规划（重点是训练&推理优化）； 3. 针对不同技术方案的成本、收益，给出方案选型建议； 4. 方案落地过程中进行风险把控和方向纠偏； 5. 指导一线工程师解决新方案落地过程中的卡点。
1. 负责自研机器学习平台的研发，设计和实现机器学习平台相关的基础设施和工具链； 2. 负责机器学习平台的需求落地，关注模型训练、推理过程中的稳定性、资源利用率等问题； 3. 负责GPU集群的运维工作。
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、负责大模型平台的架构设计和核心功能研发，构建云原生架构，设计高可用、高性能的微服务体系； 2、负责构建面向大模型全流程的DevOps，与下游云原生平台深度融合，支撑大模型在公司内各业务生产链路稳定高效地落地； 3、负责万卡规模GPU集群效能分析及优化，通过调度策略优化、在离线混部、GPU虚拟化、存储&网络加速等手段，提升GPU集群使用效率； 4、将平台和框架结合，通过任务调度、弹性容灾、性能优化等措施端到端提升AI生产效率，涉及k8s/kubeflow、网络通信、分布式训练等； 5、优化各AI平台性能，提升系统稳定性和可扩展性，保障大规模并发场景下的服务质量与用户体验； 6、持续研究分析业内创新AI平台产品，优化技术方案，改进产品功能，提升创新能力与产品体验。