【岗位职责】 1.负责AI平台的日常运维与监控，包括GPU集群、分布式训练平台及推理服务； 2.管理和优化AI算力资源（GPU/CPU/存储/网络），实现高效调度、弹性伸缩与成本优化； 3.支持大模型和小模型的训练、微调、推理任务，保障算力任务稳定运行； 4.建立AI平台的自动化运维体系，包括监控、日志、告警、任务调度、资源隔离与容灾； 5.跟踪AI框架与平台（PyTorch、TensorFlow、vLLM、DeepSpeed、Horovod等）的技术发展并应用到运维体系； 6.制定AI平台运维规范与最佳实践，协同研发团队优化训练/推理效率； 7.处理AI平台故障与性能瓶颈，形成应急响应与持续改进方案。 【任职条件】 1.本科及以上学历，计算机、人工智能、网络工程等相关专业优先； 2.2年及以上AI平台运维或高性能计算（HPC）运维经验； 3.熟悉GPU集群管理（NVIDIA CUDA、NCCL、Slurm、K8s GPU Operator等）； 4.熟悉AI框架（PyTorch、TensorFlow等）及分布式训练工具（DeepSpeed、Horovod、Ray等）； 5.熟悉容器化与云原生技术（Docker、Kubernetes、Kubeflow），具备AI任务调度与隔离经验； 6.具备性能调优与故障排查能力，能解决算力瓶颈与任务失败问题； 7.具备文档编写与跨部门协作能力，能推动AI平台高效落地。 【优先条件】 -主导或参与过大规模GPU集群、AI平台或大模型训练平台的运维项目； -熟悉多云/混合云环境下的AI资源调度与成本优化； -具备AI推理服务优化经验（vLLM、TensorRT、ONNX Runtime）。