京东系统运维工程师岗-服务器方向

部门介绍：我们是京东云，作为京东集团面向企业、政府等机构的技术服务品牌，是更懂产业的数智化解决方案提供商，致力于为企业、金融机构、政府等各类客户提供以供应链为基础的数智化解决方案。依托公、专、混的全栈式云产品矩阵，我们融合了人工智能、大数据、物联网等前沿科技，在零售、物流、健康、智能城市、金融科技等行业领域为客户提供了丰富的产品与数字化解决方案，帮助客户降低成本、提升效率，是值得信赖的产业数字合作伙伴。 岗位职责： 1.负责服务器硬件售后服务体系建设工作，包括：售后制度流程，运维平台建设、备品备件管理、物流运输管理，硬件采购相关的技术规范等； 2.负责服务器硬件维护工作，对服务器可用性负责、服务器硬件相关投诉、故障等紧急事件的应急处置工作； 3.负责服务器硬件的监控告警优化、分析服务器各类硬件的运行数据，构建服务器故障诊断、分级、预测、修复一体化方案； 4.负责GPU服务器硬件监控、诊断、维修、维护等工作，洞察GPU硬件技术趋势，行业内前沿技术的研究、探索； 5.负责自动化运维、监控等运维，运维平台技术的调研和可行性验证，探索运维自动化和智能化的技术和方向。

1. 负责建设和维护京东公有云平台，进行日常配置管理、线上变更、监控报警及故障响应等工作； 2. 负责公有云平台线上稳定性工作，确保达到业界领先的SLA水平； 3. 根据业务发展要求，做好容量规划与集群性能优化工作，在低成本、高性能、高弹性等方向上提供运营决策参考； 4. 参与平台运维体系建设工作，最大限度的实现运维工作自动化，建设符合云平台特点的自动化运维平台。

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。