阿里云阿里云智能-服务器运维技术专家-AI领域-深圳/杭州

1、负责产品的硬件设计交付，实现产品化，对产品端到端交付质量运维负责，辅助并督导上游ODM/OEM开展设计和质量运维保障工作； 2、对标业界标杆，引入先进质量运维管理方法，并制定相关产品的全流程质量运维管控方案并主导实施，开展供应商质量审核、质量体系评估、运维能力管理，确保改善措施的有效实施； 3、主导分析解决和预防重大产品质量运维问题，主导产品质量问题分析、定位及质量问题的处理与预防； 4、负责大规模服务器从交付到退役的全生命周期运维工作，包括新机型导入（NPI）、操作系统安装、维修、硬件监控、硬件重构、服务器管理等运维自动化系统架构、设计、研发，确保交付质量与效率满足SLA要求； 5、参与制定服务器可靠性标准及平台建设，负责风险应急处置，保障系统稳定性，提升业务的安全性与可持续性； 6、持续跟踪硬件相关领域的技术发展趋势，结合对阿里业务应用场景的深入分析，并推动相关技术的产品化实现。

1.阿里电源PSU技术规范制定和维护，确保阿里服务器PSU制造商遵循阿里标准；定期分析总结阿里电源应用表现，针对问题提出优化方向并验证，纳入规范，实现产品技术&质量大闭环； 2.负责阿里服务器PSU的引入，保障EDM/ODM整机制造商及自主研发项目中PSU组件的引入质量和进度； 3.负责PSU组件线上质量看护，针对批量问题快速定位分析，给出整改意见； 4.负责EDM/ODM整机制造商生产发现PSU问题管理和根因分析，确保交付质量； 5.协调解决PSU组件与其他相关领域，如IDC数据中心、BMC兼容性、服务器品质保证、运维支持、自维保备件各种问题。

1、负责服务器BIOS 自主研发及产品交付和维护，能主导需求分析、版本管理、功能开发与测试，线上运维全生命周期研发，保障产品高质量交付。 2、负责海量服务器硬件组件的BIOS 统一化定制， 与厂商协同研发并指导其开展工作，推动 BIOS 研发标准化，测试自动化。 3、负责服务器BIOS/CPU领域RAS、故障定位系统、系统性能调优、安全、功耗等竞争力特性的策略制定、方案落地。 4、结合阿里业务应用场景，开拓BIOS技术发展方向，引领行业标准建设，并推动相关技术产品化落地。

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。