阿里云阿里云智能-技术服务专家（AI云搬栈）-杭州
任职要求
• 5年以上各大行业大型互联网应用或集团型企业应用与数据解决方案、架构设计、服务端开发、数据开发、AI技术、交付、运维相关经验
• 具备技术背景、有基于云产品的大规模应用、数据开发或运维经验
• 具备云原生、大数据、数据库、网络、中间件等领域中的一项或多项技术理解和应用经验。
• 掌握所支持业务线主要产品的底层架构
• 掌握所支持业务线的专业技术能力
• 掌握跨产品的系统架构，能基于此做方案设计或问题排查
• 具有应用、数据库、大数据异构技术栈全栈迁移技术理解，深入理解不同技术方案优缺点，能够根据客户技术栈、业务需求选择最适合客户场景的迁移方案与实施链路
• 掌握应用、数据库、大数据迁移常见方案、常用工具手段等基础知识体系和方法论，基于客户实际业务场景，规划可落地迁移实施方案
• 能够在标准场景基础上结合自身对于双端领域技术理解设计新的迁移方案支持基础非表场景迁移方案
• 能够独立负责项目迁移实施…工作职责
存量技术栈盘点与目标架构设计 • 通过对存量技术栈进行调研、盘点探查存量应用与数据系统的架构与基础资源； • 确保盘点结果的准确性，包括应用、数据组件版本、架构，各模块之间的耦合度、依赖关系、性能瓶颈以及扩展能力，发现存量架构的问题了解客户的核心驱动； • 基于盘点结果与存量技术栈清晰认知，设计目标技术栈架构，结合业务需求与技术趋势对应用架构与数据架构进行升级，更好的支撑上云后的业务发展 应用、数据、AI 全栈迁移方案设计与验证 • 基于存量技术栈与目标架构调研结果设计全栈迁移方案，明确应用、元数据、数据、离线/实施作业、调度等迁移与校验方案，平台割接与回滚方案。 • 结合客户具体应用、数据、AI应用技术栈版本特性验证迁移方案可行性 • 制定迁移计划与关键里程碑，基于存量数据、应用盘点明细、组件和数据依赖关系、迁移方案，设计迁移计划以及关键里程碑； 数据库国产化、应用、大数据与AI迁移实施与业务一致性、连续型保障 • 迁移上云实施，负责现场客户存量数据、作业、应用具体的同步、改造与校验工作，基于迁移工具或者产品自身能力实现存量技术栈元素到目标技术栈的迁移实施 • 作为应用、数据技术专家，解决迁移过程中的技术问题，帮助客户用户阿里云产品，解决源端技术栈与目标产品的兼容性、性能优化等问题 • 基于存量业务依赖分析，模块交互逻辑，明确客户迁移北极星指标，保证迁移后核心指标一致性，对与关键应用接口、数据服务以及报表进行一致性校验 • 结合架构、迁移方案以及各个模块依赖、数据血缘关系，分析双端差异，找到问题快速迭代推动双端平台差异收敛，达到割接标准 • 基于割接方案，协助客户进行数据、应用生产环境切换，保证客户在线业务的连续性，并持续观察支持用户新环境稳定运行 方案沉淀、上云工具建设 • 基于迁移交付项目沉淀应用、数据库、大数据、AI应用的迁移上云方案，形成不同场景与技术栈上云最佳实践 • 设计迁移工具技术架构，编写代码通过工具自动化迁移过程，降低复杂架构下应用、数据、AI上云门槛，并提高迁移效率 • 结合方案与工具形成行业化、不同技术栈组合的解决方案，支持前线业务更好的售卖打单，通过迁移案例、技术方案与自动化工具配合前线进攻 应用、数据专家技术服务 • 作为阿里云高级技术服务专家，为客户提供阿里云应用、中间件、数据库、大数据产品技术栈最佳实践、提供解决方案咨询、架构优化、容灾高可用等商业化服务； • 结合客户用云场景，通过工具、赋能、咨询等方式帮助客户提升云产品运维与使用技能，提供应用、大数据高可用、容灾等综合技术服务，帮助客户用好云
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。
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！ 工作职责： 1、参与/负责研发面向大语言模型(LLM)/多模态大模型(MLLM)等类型模型的推理服务框架； 2、参与/负责KV Router、PD分离/EPD分离、KVCache管理、动态PD调整等分布式推理能力建设； 3、通过并行计算优化、分布式架构优化、异构调度等多种框架技术，打造高效、易用、领先的AI推理框架； 4、参与/负责构建推理框架的系统容错能力，包括但不限于请求迁移、优雅退出、故障检测、自愈等能力建设； 5、深度参与周边深度学习系统多个子方向的工作，包括但不限于模型管理、推理部署、日志/监控、工作流编排等； 6、与全公司各业务算法部门深度合作，为重点项目进行算法与系统的联合优化，支撑业务目标达成。
大模型具备很强的泛化及理解世界能力，在小红书内的众多生产场景遍地开花，大模型的训练和部署已成为许多算法工程师的日常。在多团队、多业务频繁使用的大规模GPU集群上，如何能够通过高效的GPU调度策略，使大家不仅能丝滑地完成训练及部署任务，同时也能充分激发大规模GPU集群的效能，是行业公认的关键挑战。在这里，你可以聚焦LLM场景，接触到超大规模GPU集群，并使用真实负载数据进行深入分析及技术探索。欢迎加入我们，一起探索领先技术改变世界！ 工作职责： 1、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、集群调度、GPU虚拟化、故障快速恢复、存储&网络加速等手段，提升大规模GPU集群的整体使用效率。 2、负责构建面向大模型训练、微调、推理、部署全流程LLMOps，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、持续关注业界最新的GPU资源调度相关技术动态，探索建设业界领先的资源调度策略及方法，构建下一代大规模AI资源调度系统。