阿里云阿里云智能-云原生平台研发专家-AI 推理平台方向-北京/杭州
任职要求
1、5 年以上分布式系统架构设计与开发经验，具备复杂分布式系统架构设计及开发经验； 2、对分布式系统架构、数据库、Linux操作系统等有深入理解，具备一定的 Linux 系统应用运维经验； 3、有 Kubernetes 等容器系统、ServiceMesh 等微服务治理体系、AI 训推平台等 AI 系统架构设计与…
工作职责
1、负责阿里边缘云容器产品管控系统的架构设计、开发与维护工作； 2、维护高性能、高可用的容器管控服务，保障业务系统在全球范围内的稳定性； 3、为 AI 推理等相关场景提供更优化的服务能力，高效使用资源的同时，快速交付算力服务； 4、深入参与产品全生命周期研发管理，持续优化提升产品的安全性、稳定性、性能、功能与用户体验，以技术驱动业务增长； 5、负责容器领域前沿技术的探索，推动系统架构演进及优化，完成技术预研和技术难点攻关。
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。
阿里云专有云是面向政企行业客户的全栈云平台，为政企客户（政府、金融、部委、央企等行业）提供产品和服务。该岗位主要负责专有云AI安全技术方向的架构规划及研发工作，构建全面的AI安全防护体系，跟踪AI安全前沿技术，将研究成果转化为工程落地，插入链接提升技术竞争力，满足专有云客户的AI安全需求。 1、主导专有云AI安全架构设计 ● 设计并构建覆盖AI全生命周期的安全防护体系，包括数据安全、模型安全、推理安全等； ● 建立AI模型隐私保护机制，支持联邦学习、差分隐私、同态加密等隐私计算技术； ● 设计AI安全治理框架，确保AI系统的可解释性、公平性和可靠性； 2、主导AI安全技术研发和产品化落地： ● 研发AI对抗攻击检测与防护技术，包括对抗样本检测、模型后门检测、投毒攻击防护等； ● 开发AI数据安全技术，包括敏感数据识别、数据脱敏、数据水印等技术； ● 构建AI安全监控平台，实现AI系统运行时的实时安全监测和威胁预警； ● 协同AI平台团队，将安全能力深度集成到AI训练、推理、服务等各个环节；
阿里云PAI团队致力于打造业界一流的一站式AI工程化平台，拥有万卡级训练能力与超大规模异构资源调度技术，为复杂模型训练与推理任务构建坚实基座。PAI平台不仅是通义大模型研发与落地的核心基础设施，也作为公共云服务的关键载体，支撑众多行企业构建大模型核心业务。平台提供从数据标注、预处理、模型训练、推理服务到开发环境与工作流调度的全链路工程支持，全面覆盖AI项目从实验探索到规模化落地的完整价值链。作为平台研发工程师，您将深度参与以下工作： 1. 负责大规模异构资源管理与模型训练服务的全流程开发，包括需求分析、架构设计、软件开发、质量保障与部署上线。 2. 持续开展系统模块的深度剖析与迭代优化，提升资源利用效率、任务成功率与启动速度，降低使用门槛，增强产品满意度与客户粘性。 3. 负责平台线上环境的实时监控、故障定位与性能调优，为客户提供及时的专业技术支持，保障平台服务的高可用与高稳定运行。 4. 紧密追踪大模型、AIGC等前沿技术趋势，洞察并提炼高价值用户需求，推动平台功能持续演进与技术架构升级。
● 设计和实现高效的训练推理框架，提升多节点、多GPU环境下特别是异构算力场景下的计算效率。具备良好的工程实践和算法理论基础，熟悉底层的硬件编程和常见GPU的算子库开发，能对算法的运行效率如速度、显存占用等进行优化，推动算法稳定、高效的运行。 ● 完善优化训练推理框架，针对市面上的国产信创卡能提出统一的优化方案，并推进在底层的通信效率、资源占用、稳定性方面持续建设。 ● 设计并实现能够处理大规模并发请求的系统架构，确保极端负载下的稳定性和性能。完善错误自愈机制，提升平台训练的MFU，打造行业内一流的异构算力混训混推GPU框架。 ● 技术方案设计：主导核心模块技术方案设计与评审，结合业务需求与系统现状，制定可落地的架构规划。 ● 基础服务开发：构建高可用、可扩展的基础服务组件，支持训练/推理框架的快速迭代与稳定部署。 ● 项目管理：主导跨团队协作项目的全生命周期管理，包括需求拆解、排期规划、进度跟踪与风险控制，确保项目高效交付。 ● 持续关注并跟进业界技术发展，比如超长上下文、端到端推理思维链、多模态等方向。