智能互联阿里云智能-容器平台研发专家-AI 推理平台-杭州/北京
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、AI 训推平台等 AI 系统架构设计与开发经验，或熟悉 G…
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. 依据公共云统一架构、OpenAPI规范、软件技术栈以及交付运维体系，负责专属云产品的研发与交付。深度参与灵骏裸金属服务器及EGS云计算服务器的研发流程，包括硬件架构预研、方案设计、软硬件结合的系统优化、线上服务质量保证以及提供专家技术支持等关键环节，确保产品从研发到运维的全生命周期高效管理。 2. 跟踪并把握GPU架构设计的发展趋势，探索前沿的GPU架构设计技术。联合高性能网络团队共同设计网络互联架构，针对分布式训练和推理业务场景，在软硬件协同及高性能网络方向上寻找性能优化的新途径，构建阿里云加速计算云服务器的核心竞争力。 3. 研发并持续改进系统的稳定性和安全性，确保平台的安全可靠运行，并不断提升对外服务质量标准。
1、负责异构计算集群的架构设计与研发，优化算力资源调度，提升效率与稳定性，为亿万用户提供普惠算力服务； 2、攻克主流AI应用在异构计算集群部署中的技术瓶颈，设计并开发高性能、高可用的异构计算解决方案； 3、主导Serverless化异构计算平台的建设，推动云原生架构在异构计算领域的创新应用与迭代升级； 4、跟踪AI领域的前沿技术动态，参与构建面向下一代AI训练与推理场景的智能算力平台架构。
1. 行业解决方案设计与交付 - 基于阿里云大模型技术（如通义千问），为银行、保险、证券等金融客户量身定制AI大模型解决方案，覆盖AI财富助手、智能客服、智能风控等核心场景。 - 深入理解客户业务痛点，提供从需求分析、技术选型到方案落地的全流程支持，确保大模型技术与金融业务深度融合。 2. 大模型全生命周期技术赋能 - 主导客户侧大模型后训练（Post-training）、领域微调（Domain-specific Fine-tuning）、模型蒸馏（Distillation）及多模态融合优化，提升模型在金融垂直场景的精度及性能。 - 优化大模型训练与推理性能，包括分布式训练加速（如DeepSpeed、Megatron-LM）、显存优化、量化压缩（INT8/FP16）及低延迟推理部署（如vLLM、SGLang）等。 3. 工程化落地与性能调优 - 解决金融场景高并发、高稳定性需求，设计高性能计算架构，优化模型在GPU/TPU集群的训练效率及端到端推理链路。 - 结合金融行业数据隐私与安全要求，设计符合监管的模型部署方案。 4. 客户技术赋能与生态共建 - 面向客户技术团队提供大模型技术培训、实战工作坊及POC验证，推动AI能力在客户内部的规模化应用。 - 沉淀金融行业大模型最佳实践，输出白皮书、案例研究及标准化解决方案，提升阿里云在金融AI领域的市场影响力。
1. 训练加速系统设计与优化 1) 主导千亿参数大模型的分布式训练架构设计，优化通信效率，突破显存与计算瓶颈。 2) 研发长序列训练加速技术，支持百万级上下文窗口训练，降低计算复杂度与内存占用。 3) 设计混合精度训练方案（FP16/FP8）与梯度累积策略，结合模型并行、流水线并行等技术，提升训练吞吐量 30% 以上。 2. 推理系统优化与工程化落地 1) 构建高性能推理引擎，基于 vLLM、TensorRT-LLM 等框架实现多模态模型的分布式推理，支持 MoE 架构与动态专家激活策略。 2) 研发模型压缩技术（量化、剪枝、LoRA），将端到端延迟降低，同时保持模型精度损失 3. 基础设施全流程优化 1) 优化训练与推理的 I/O 性能，通过异步并发、缓存预取等技术减少数据加载耗时。 2) 设计训练 - 推理一体化监控平台，实时追踪模型性能指标（如训练 loss 波动、推理 QPS），实现异常自动告警与弹性扩缩容。