The posting
1.负责 AI 训练平台(实验管理、任务调度、资源分配)的整体架构 2.设计支持万卡级别分布式训练的任务调度系统 3.建设实验追踪、模型版本管理、超参搜索等能力 4.提升算法团队研发效率,降低计算资源浪费 5.与 AI Infra 团队协作,优化训练资源利用率
•5+ 年 MLOps 或平台工程经验 •熟悉 Kubernetes Operator 开发 •有实验管理平台(MLflow、W&B)或任务调度系统开发经验 •了解机器学习训练流程(分布式训练、模型评估等) •具备平台类产品思维 加分项: •开源 MLOps 项目贡献 •调度算法优化经验 •多租户平台设计经验



