阿里巴巴研究型实习生 - AI数据湖的多层智能缓存研究
任职要求
1. 计算机科学、人工智能、数据科学等相关专业硕士或博士在读，具备扎实的算法与系统设计基础； 2. 精通Python/Java等语言，熟悉TensorFlow/PyTorch框架，掌握强化学习、时序预测等算法；熟悉数据湖架构和…
工作职责
1. 优化和设计AI数据湖场景下的多层智能缓存架构和算法，使系统具备缓存动态分级、冷热数据预测、智能数据迁移等能力； 2. 分析数据湖查询和AI训练场景的负载特征，构建特征库，支持缓存效果实时反馈、动态优化和应用闭环； 3. 撰写技术方案、实验报告及学术论文，参与专利申请； 4. 与团队协作，完成和现有系统的对接与测试。
1.建设AI算力池数据层，构建各类资源算力管理模型，研发Agent生产系统，与AI算力池的训推平台SRE各系统Agent联动，实现端到端自动化的TPM智能容量规划、弹性交付、需求应答、智能流量管控调度、自适应限流、资源高效流转腾挪，实现全局TPM利用率、单位算力Token成本的优化 2.建设单机和中心的管控Agent，实现模型的TPM运行时算力质量与性能自适应优化与SLA保障，解决模型部署运行时GPU/CPU/kv显存内存/PCIe互联/网络通信在通用与Scalup机型架构下的各类竞争与干扰，Agent具备端到端的问题识别发现、根因诊断、算力与性能优化、后训练Agentic RL反馈微调垂类模型等自动化闭环，增强Agent对模型运行时算力问题、性能瓶颈和优化策略的理解，自动识别并完成差异化硬件芯片架构、集群/网络/互联架构、系统软件栈如内核/编译下的软硬件结合优化、全局卡型模型最优匹配。 3.构建引擎架构与性能优化Agent，通过各类系统架构与性能优化，实现TPM性能与计算效率、各类模型与Agent能力体验大幅优化。典型如Agent自动优化推理引擎架构代码、训练系统架构代码、模型结构、AIData管线架构代码、Agent Infra架构代码、Agentic RL训推联动系统架构代码等 4.搭建多智能体协作框架，研究数十万智能体Agent的分工、协同、通信机制、后训练、反思与决策机制，提升各Agent系统在复杂场景下的鲁棒性、稳定性、执行效率与优化效果。
面向AI场景下数据库资源优化系统研发，具体职责包括： 1.设计基于深度强化学习（DRL）的CPU/GPU混合负载调度框架，构建基于负载管理器、资源调度器的动态资源分配模型，实现资源利用率与服务质量（QoS）的联合优化； 2.研发“资源预热+缓存预热+计算编排”混合架构，通过热点数据预测模型、计算节点池化技术及数据预热机制，突破对象存储（OSS）水平弹性的性能瓶颈； 3.基于Neon分支技术改进动态数据隔离机制，设计多分支场景下的共享数据访问优化策略，在零冗余存储前提下保障租户间、branch间安全隔离，同时提升多分支并发场景下的数据访问吞吐量。
智能存储团队专注于利用前沿的AI技术（包括计算机视觉、自然语言处理、多模态算法和大语言模型等）对海量非结构化数据进行处理、检索、管理。为用户提供海量数据场景下的“数据处理、智能索引、知识建模、知识引导生成”的全流程闭环解决方案。具体工作内容包括： 1、针对视频、图片、文档、音频等多模态文件的解析与理解； 2、基于LLM、VLMs构建的多模态RAG以及Agent应用； 3、图片、视频等AIGC的创新解决方案。 如果您热衷于探索AI技术的边界，并希望将这些技术应用于实际场景中解决复杂问题，那么欢迎加入我们！
基于大模型（如通义千问）构建多因素（源库、目标库、源端网络、目标端网络、数据传输链路）根因分析与解决方案推建系统，并解决系统构建中的关键算法和技术，包括如下几方面： 1、设计合适的prompt，基于已有数据对模型finetune，并实现部署和线上应用； 2、构建知识库实现专家知识结构化，引入双向反馈通道，使能模型具备持续迭代能力； 3、与DTS工程团队一起上线系统，实现DTS线上异常任务自愈恢复。