阿里云阿里云智能-数据中心运维-FOC/ITOC运营工程师-杭州
任职要求
1、本科及以上学历，电气、暖通、自控、计算机等相关专业背景。
2、具备3年及以上数据中心相关运营管理经验。…工作职责
1、负责阿里云全球数据中心基础设施的运营管理，对过程质量、运营数据、KCP指标等开展持续性分析，确保运营服务质量和业务稳定性。 2、负责驱动FOC、ITOC职能运转，拉通业务和数据中心现场等上下游团队，确保事件应急响应及时性和业务连续性。 3、负责将应急管理、质量管理与平台自动化相结合，通过应急调度系统、运营质量分析系统、大数据接入及告警标准化的建设，持续提升数字化、自动化能力。 4、负责数据中心运维管理流程、标准、机制的持续优化，不断提升运维管理技术水平。
1、制定及完善IDC运营中心标准体系，对关键指标持续进行优化调整、协助推动运营工作优化； 2、负责应对突发事件，不断提升中心应急组织协调能力，协助打造智能化的中心平台； 3、运维工作质量监督、协助日常运营管理；
1、制定及完善IDC运营中心标准体系，对关键指标持续进行优化调整、协助推动运营工作优化； 2、负责应对突发事件，不断提升中心应急组织协调能力，协助打造智能化的中心平台； 3、运维工作质量监督、协助日常运营管理；
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、参与设计实现支持RLHF/DPO等对齐技术的高效训练框架，优化强化学习阶段的Rollout、Reward Model集成、多阶段训练 Pipline； 2、研发支持多机多卡 RL 的分布式训练框架，开发TP/PP/ZeRO-3与RL流程的动态协同机制，解决 RL 算法在超长时序下的显存/通信瓶刭 3、构建端到端后训练工具链，主导框架与 MLOps 平台集成，提供训练可视化、自动超参搜索等生产级能力 4、与公司各算法部门深度合作，参与大语言模型LLM、多模态大模型 MLLM等业务在 SFT/RL领域的算法探索和引擎迭代； 5、参与分析各业务 GPU 利用率与饱和度等指标，结合业务场景持续优化训练框架能力，提升框架领先性。
【业务介绍】 作为公司统一的机器学习平台团队，负责调度公司所有模型训练与推理资源；基于自建的训推引擎，构建公司统一的机器学习平台，为公司所有算法同学（稀疏 & 稠密，含 LLM） 模型迭代提供端到端的一站式服务；包括 数据生产，模型训练，模型上线，特征管理，模型测试，资源管控等一系列能力。 【岗位职责】 1、负责机器学习链路，离在线数据相关的开发工作，包括样本数据、特征数据等的数据链路搭建、任务运维和调优、性能优化等 2、负责小红书大规模机器学习平台的后台系统设计和开发工作；包括样本平台，特征平台，训练平台，推理平台等AI应用后台建设等； 3、研究分析业内AI平台产品，优化技术方案，改进产品功能，完善产品体验。