阿里云阿里云智能-AI开发平台研发专家（模型训练方向）-北京/杭州
任职要求
1、硕士及以上学历，3年以上IT、互联网、云计算开发相关工作经验，至少1年以上AI领域相关的研发经验； 2、具有机器学习系统的架构设计和开发能力，具有分布式训练（训练框架部署、问题排查、性能优化）、机器学习底层引擎优化（训练和推理性能优化）、机器学习平台（平台调度与管控）等开发经验者优先； 3、要…
工作职责
1、参与AI开发平台的功能规划、设计与研发，重点围绕模型训练领域，通过云原生的资源调度，提供任务建模、可视化建模、交互式建模相关的平台能力； 2、参与到模型的微调、量化、强化学习相关的平台能力建设，为客户提供高效的Post-Training能力； 3、面向大规模、分布式的模型训练场景，提供可观测能力和上下游故障诊断能力，通过检查点+弹性训练+智能调度的组合，将模型训练故障中断时间压缩到分钟级，保障模型训练过程的性能和稳定性。
负责AIPlatform数据工程平台研发，包括： 1.参与PB级大规模非结构化数据管理系统的设计和实现。 2.参与面向多模态的CPU+GPU高性能分布式计算引擎的设计和实现。 3.参与高质量的数据处理算子研发，包括CPU+GPU算子的调优、迭代。 4.参与产品的开发和维护，完成从需求到设计、开发和上线等整个项目周期内的工作。
负责AIPlatform数据工程平台研发，包括： 1.参与PB级大规模非结构化数据管理系统的设计和实现。 2.参与面向多模态的CPU+GPU高性能分布式计算引擎的设计和实现。 3.参与高质量的数据处理算子研发，包括CPU+GPU算子的调优、迭代。 4.参与产品的开发和维护，完成从需求到设计、开发和上线等整个项目周期内的工作。
1. 参与大模型推理系统的架构设计与开发，包括推理网关、请求调度、流量路由等核心模块的建设 2. 负责推理引擎（vLLM/SGLang等）的深度优化与定制化开发，提升推理吞吐与延迟表现 3. 参与PD分离（Prefill-Decode）架构的设计与开发，优化Prefill与Decode阶段的资源分配与协同调度 4. 负责KV Cache存储与管理系统开发，包括KV Cache迁移、共享、淘汰策略的设计与实现 5. 参与模型分发系统开发，支持大模型在多节点间的高效分发与加载 6. 基于线上监控与用户反馈，持续优化推理链路的性能、稳定性与成本效率
1、结合大模型（LLM）能力，探索并实现AI驱动的新一代数据开发治理平台（包括数据分析、数据开发、数据运维、数据治理等）； 2、负责大模型智能Agent的架构设计、核心模块开发与迭代优化，支撑复杂业务场景下的自主决策与多步执行能力，推动大数据平台朝AI-ready&AI-Native方向演进； 3、设计并优化高并发、高可用的数据平台架构，涉及多任务类型开发、大规模任务调度、超大规模数据治理等 4、关注业界大数据开发工具和AI赋能技术的最新进展，推动相关技术在团队内的落地与实践。