The posting
1、基于算力集群的资源监控,维护并完善现有"资源利用率"评估体系。 2、承接业务维度的模型资源利用率评估:将算力消耗与具体训练任务、模型、业务线关联,建立资源画像与成本分摊视图。并可以进一步演进到模型训练的业务价值评估体系建设。 3、优化训练任务的调度与资源管理(Kubernetes + Volcano 等),优化排队、抢占、弹性伸缩策略,提升集群整体利用率。 4、使用性能分析工具(PyTorch Profiler、Nsight)定位低效训练,协助提升 MFU / GPU 有效利用率。 5、编写自动化脚本与工具,沉淀 FinOps 度量指标与报表,支撑业务价值评估层的数据采集。
1、计算机 / 电子 / 自动化 / 数学等相关专业本科及以上。 2、扎实的 Linux 基础,熟悉 Shell,掌握至少一门编程语言(Python 优先)。 3、了解 Kubernetes / Docker / 容器编排的基本原理。 4、对 GPU 与模型训练有强烈兴趣,学习能力强、能快速钻研模型训练的资源评估技术点。 5、逻辑清晰、对数据敏感、沟通协作好、皮实抗压、有主动性。 加分项:接触过 Prometheus/Grafana 监控;用过 PyTorch 或分布式训练;了解 CUDA/NCCL;有成本/FinOps 意识;有大规模集群、自动驾驶或大模型相关实习/项目经历;有开源贡献。



