机器学习资源调度系统工程师

1. 负责机器学习平台的资源调度系统设计与优化，提升集群资源利用率。
2. 构建和维护大规模算力集群，支撑大规模分布式训练、推理等多样化 AI 工作负载，保障高可用与高性能运行。
3. 与算法和工程团队协作，优化训练任务调度策略，针对 GPU 计算、显存、互联带宽等关键路径进行性能调优，降低训练成本与时间。
4. 建设覆盖硬件、驱动、调度链路的全栈可观测体系，基于监控数据驱动资源优化与容量预测决策。
5. 开发自动化运维工具，实现任务调度、监控告警与故障自愈能力。
6. 跟踪业界前沿技术，持续改进集群管理与调度架构。

1. 计算机基础扎实，熟练掌握Go、Python或Java至少一种编程语言。
2. 3年以上软件开发或系统架构经验，有大规模集群管理经验者优先。
3. 熟悉Kubernetes、Containerd、Docker等云原生核心技术栈和云原生开发模式。
4. 具备良好的系统设计与问题排查能力，有机器学习平台开发经验者优先。

1. 参与高复杂度、高并发、超大规模算力的AI基础设施平台建设。
2. 从内核驱动、容器运行时到调度层，深入系统各层，打磨全栈基础设施能力。
3. 与算法与工程团队紧密合作，技术成长空间大。