阿里云阿里云智能-异构GPU实例研发专家-杭州/上海/北京
任职要求
1. 熟悉产品研发全流程与GPU实例的基本验收标准，具备CUDA，RoCM，Triton等GPU底层加速库的研发能力，研发GPU P2P，GDR，GDS等实例功能，提供有行业竞争力的异构产品技术。 2. 对运维与稳定性治理有深刻理解，具备工单，故障处理，轮转升级等基本运维能力 3. 熟悉集群化的网络架构与性能评估，熟悉集群化的GPU监控与性能分析 4. 熟悉AI/模型不同场景下的性能评估与自动化巡检与测试系统的建立 5. 候选人需要满足5年以上异构、GPU领域的研发工作经验
工作职责
1.参与灵骏裸金属服务器及EGS实例的研发工作，包括但不限于早期邀请测试、线上服务质量保证以及性能优化等关键环节，确保产品从研发到上线的全生命周期管理。 2.负责灵骏、EGS和阿里云服务（ACS）GPU的单元测试设计与实现，确保测试覆盖率满足高标准的产品准入和准出要求，为产品质量保驾护航。 3.研发并持续改进系统的稳定性和安全功能，保障平台的安全可靠运行，以应对复杂的网络环境和潜在的安全威胁。
蚂蚁HCS 算力服务是全站通算，智算资源管理的基础设施平台, 通过Kubernetes等容器和平台技术，为上层业务提供云原生服务，AI算力服务，全局资源动态分配，调度节点单集群规模超过万台，同时致力于在系统、业务多个层面，包括os/kernel、容器/PaaS、智能调度/仿真容量等进行技术突破，提高容器系统规模化的资源利用效率，降低大促等各种大规模复杂业务场景下的资源成本，打造智能、高效、稳定的智算基础设施平台本岗位负责在云原生，AI快速发展的背景下，能够面向异构的物理资源，设计和实现大规模的k8s集群节点和资源的管理能力 ● 算力调度产品架构研发： 负责设计通算，智算的算力调度，优化的平台架构，实现算力的弹性伸缩，分时调度，能够设计训推混部的统一架构平台，实现算力资源有效利用 ● 节点池架构与异构资源管理：负责节点池架构设计，实现算力节点池的产品化管理能力，支持CPU/GPU等异构资源的统一调度与资源隔离，优化AI异构场景下的节点管理策略，提升大规模集群的资源利用率与任务执行效率。 ● 算力节点生命周期产品化管理：建设节点生命周期的全链路产品化能力，设计并实现节点故障预测与主动运维能力，支持算力节点与模型实例的自动化发现与自愈，能够保障算力的稳定和持续供给。 ● 技术创新与成本优化：探索云原生与AI技术结合的创新场景（如弹性节点池、智能调度算法），推动资源管理效率的持续提升。通过资源预测、库存优化等手段，降低集群运维成本与资源浪费
负责火山引擎-IaaS异构云服务研发，聚焦在云上提供满足AI场景，尤其是大模型训练和推理的异构算力需求，构建高性能、高利用率、高稳定性的云上计算平台。 主要工作包括： 1、负责云上IaaS异构ECS/裸金属实例的构建与迭代； 2、负责IaaS异构稳定性系统的设计和研发，识别典型问题，提出解决方案，提升客户稳定性体验； 3、协同上下游团队，推动关键问题的解决优化，并构建平台能力。
负责火山引擎-IaaS异构云服务研发，聚焦在云上提供满足AI场景，尤其是大模型训练和推理的异构算力需求，构建高性能、高利用率、高稳定性的云上计算平台。 主要工作包括： 1、负责云上IaaS异构ECS/裸金属实例的构建与迭代； 2、负责IaaS异构稳定性系统的设计和研发，识别典型问题，提出解决方案，提升客户稳定性体验； 3、协同上下游团队，推动关键问题的解决优化，并构建平台能力。
负责火山引擎-IaaS异构云服务研发，聚焦在云上提供满足AI场景，尤其是大模型训练和推理的异构算力需求，构建高性能、高利用率、高稳定性的云上计算平台。 主要工作包括： 1、负责云上IaaS异构ECS/裸金属实例的构建与迭代； 2、负责IaaS异构稳定性系统的设计和研发，识别典型问题，提出解决方案，提升客户稳定性体验； 3、协同上下游团队，推动关键问题的解决优化，并构建平台能力。