阿里巴巴基础设施与稳定性工程-AI infra存储研发工程师-文件存储

我们关注并负责建设高效、稳定的AI基础设施，为超大规模的分布式训练/推理提供低延迟、高吞吐以及高性价比的I/O链路优化及分布式存储方案。 1. 集团十万卡级别的混合云AI基础设施内的I/O链路优化，支撑大模型、搜推广等训练推理场景的海量小文件及超大吞吐读写等I/O需求； 2. 紧密结合集团基础设施，探索存算分离、存算一网等网络架构下优异的存储架构，以及跨DC的存储同步与全球数据编排； 3. 探索面向transformer模型架构（LLM\多模态等）的kv-cache大容量、超低延迟的存储与缓存设计，通过RDMA、多级缓存等技术，与计算引擎联合CoDesign，探索下一代“以存代算”和“以存强算”的I/O模式；

负责集团多种大模型的基础训推性能优化，聚焦异构GPU的高性能算子库、通信库的开发和优化，提升计算、通信的并行效率，设计并实现高效的并行计算策略、分布式推理方案等。面向集团多变的大模型训推场景，提炼核心的优化方法，探索通用的编译优化方案，跟进前沿技术，并将优化能力集成到自研/开源大模型推理/训练框架/编译器，推动优化方案在实际业务场景中的落地，持续创新构建业界领先的AI Infra。

岗位概述： 负责构建面向AI算力交付、资源管理、成本核算与业务运营的全链路BI体系。通过深度洞察AI算力流转、集群性能、资源利用率，设计智能化、可视化的决策分析平台，为AI资源管理团队、算力交付部门及高层提供精准的数据驱动决策支持，赋能算力资源优化配置、成本精细化治理与业务增长目标达成 岗位职责： ● AI Infra BI体系设计与建设 结合AI基础设施（算力集群、模型训练/推理、资源调度、成本核算）的业务特性，设计全链路BI数据架构，搭建覆盖算力交付、资源利用率、性能指标、成本消耗、业务产出的一站式数据分析平台；制定BI指标体系、数据口径规范与分析方法论，构建长期可演进的BI分析框架，支撑AI基础设施全生命周期运营管理。 ● 核心BI分析场景落地与赋能 算力交付分析：对接AI算力交付全流程数据，分析算力供给、需求匹配、交付效率、客户/业务线算力消耗分布，定位交付瓶颈与优化空间，支撑算力交付策略与SLA达成。资源管理分析：基于AI资源管理平台数据，深度分析集群资源利用率、调度效率、资源争抢、闲置率等核心指标，输出资源优化方案，提升资源整体利用率与周转效率。成本精细化分析：搭建AI算力成本核算BI体系，分析不同业务线/模型/项目的成本收益比，实现成本精细化管控与降本增效。 ● BI可视化平台与数据产品建设 设计并迭代BI可视化看板（如资源利用率看板、成本分析看板、交付进度看板），实现核心数据的实时/准实时展示与多维度钻取；推动BI数据产品化，将分析逻辑沉淀为可复用的分析工具/模板，降低数据查询门槛，提升数据获取效率。 ● 跨部门数据协同与决策支持 深度对接算法团队、资源管理团队、商务团队，理解各角色数据需求，提供定制化分析报告与决策支持；推动跨部门数据打通与口径统一，解决AI基础设施场景下数据分散、口径不一致等问题，保障数据一致性与可用性。 ● 团队管理与技术沉淀 制定团队工作规范与分析标准；沉淀BI分析方法论、数据模型、分析案例，提升团队整体数据洞察能力；跟踪BI前沿技术与AI基础设施领域技术动态，推动技术工具与分析方法的迭代升级。

1、整合 GPU/CPU 算力、存储（如 CPFS）、网络（如 RDMA/InfiniBand）、供应链流转等多维度数据，构建资源使用率、成本结构与供需分析模型，输出可落地的优化建议； 2、整合资源效能和业务性能指标（如MFU、TPM、TPOT、GPU 利用率等），建立资源效能评估模型，量化资源投入与业务产出之间的关系，为资源规划与采购决策提供数据支撑； 3、负责 AI Infra 资源数仓的数据链路设计与建设，覆盖数据采集、清洗、加工、存储与服务全流程，保障资源数据的准确性、一致性与时效性； 4、构建并维护资源数据可视化平台，开发资源热力图、利用率趋势、成本分摊仪表盘等，支撑日常运营与管理层决策； 5、与资源运营、财务、研发等团队紧密协作，搭建资源生命周期关键指标看板，定期输出资源效能分析报告，支撑资源采购与部署策略落地。