阿里巴巴AI 训练推理场景下万亿文件规模高性能文件存储系统架构设计-阿里星
任职要求
1、计算机方向相关领域专业，在校研究方向：高性能文件系统、分布式存储、存储引擎、KV 存储、一致性协议、SSD 芯片、智能网卡、AI 训练/推理存储加速等； 2、具有扎实的算法和数据结构功底，具备扎实的编程基础，熟悉C++/C/Python/Java等语言； 3、对计算机体系结构、分布式系统等领域有一定的了解和实践；对分布式文件系统、高性能存储、分布…
工作职责
参与AI场景高性能文件存储系统研发，包括： 1、文件系统元数据与数据系统架构设计，以及元数据和数据分离策略下的一致性保障机制； 2、分布式数据和元数据管理，高性能的分布式一致性协议； 3、通过基于访问热度统计，结合启发式算法比如机器学习算法进行文件聚类，结合新型存储介质比如 ZNS SSD 提高存储空间利用率，提升 SSD 使用寿命； 4、用户态文件系统（FUSE）与内核态协同的零拷贝访问技术，并且能和 AI 训练框架（比如PyTorch/TensorFlow）和推理框架（vLLM，SGLang等）深入融合，构建计算侧高性能的分布式缓存，提升 AI 场景端到端性能。
1、参与智算数据中心网络稳定性平台研发，聚焦AI预训练/推理场景的故障监控、根因分析与自愈系统开发； 2、设计并实现AI-based troubleshooting模块（如异常检测、配置验证、故障预测），提升运维智能化水平； 3、构建训练任务全链路追踪能力，优化网络指标与模型训练效率的关联分析模型； 4、协同基础设施团队验证网络架构改进方案，推动AIOps技术在超大规模集群落地。
岗位可以选择训练框架开发/推理优化两个方向 训练框架: 1. 参与深度学习框架的代码实现,开发框架支持大模型训练、微调能力，提升系统件能和系统稳定性。 2. 持续扩充核心框架的功能和计算能力,优化系统的架构和模型设计,保持一定的业务和技术前瞻性。 3.与产品和测试以及其他研发团队深入协作，解决关键问题，完成研发计划。 4.负责大模型训练相关技术，方案及架构设计沟通、规划、撰写。 5.调研分析海内外产品技术实现，探索创新方向。 推理优化： 1. 参与开发大模型推理框架，提升系统性能和系统稳定性。 2. 持续扩充核心框架的功能和计算能力,优化系统的架构和模型设计,保持一定的业务和技术前瞻性。 3.与产品和测试以及其他研发团队深入协作，解决关键问题，完成研发计划。 4.负责大模型推理相关技术，方案及架构设计沟通、规划、撰写。 5.调研分析海内外产品技术实现，探索创新方向.
负责贷后催收AI应用的数据准备、模型训练、标签规范、效果评估与持续优化，保障AI催收系统在真实业务场景中的准确性、合规性和可落地性。 按照贷后催收业务需求，设计并执行训练数据采集与标注方案制定并维护催收话术、场景分类、标签规范与数据标准参与AI模型迭代流程，完成模型训练、校验、效果评估与上线验证跟踪模型在生产环境中的表现，分析命中率、误判、漏判并提出优化建议协调业务、风控、法务、运营等团队，确保AI输出符合监管和内控要求构建催收知识库与规则集，持续提升AI对话策略和业务理解能力执行训练过程中的质量控制，处理数据异常、标签歧义与模型偏差
1、参与大规模分布式训练框架的研发与优化，支持VLA等多模态大模型的高效预训练，微调，强化学习，量化感知训练与推理； 2、设计并实现数据并行、模型并行、张量并行、序列并行等混合策略的自动编排系统； 3、进行端到端性能瓶颈分析（通信、计算、内存、IO），优化千卡/万卡集群的训练效率与稳定性； 4、构建训练容错、弹性伸缩、成本感知调度等企业级特性，支撑物理AI业务的快速迭代。