运维开发
Job description
-
负责GPU集群日常运维:服务器、InfiniBand/RoCE网络、并行存储的部署、监控与故障处理,保障训练/推理业务连续性;
-
基于K8s/Volcano/Slurm落地算力调度策略(分时复用、优先级、配额),持续提升GPU利用率与集群效率;
-
负责推理服务运维(vLLM/Triton等),保障高并发下的稳定性与延迟表现;
-
建设智算平台监控可观测与AIOps能力(故障预测、自动巡检),推动运维自动化;
-
参与算力成本运营(FinOps)与国产算力(昇腾等)适配验证,沉淀运维SOP与知识库。
-
参与智能服务台与运维 Agent 建设:问题自动分类、工单派发、告警分析、节点巡检等 Agent 流程,推动运维从"人盯"走向"Agent + 平台";将常用运维操作与排障步骤封装为可被 Agent 调用的工具/技能(脚本 + SOP 文档)
-
本科及以上学历,计算机、通信、电子等相关专业;
-
3年以上云计算或AI基础设施运维经验,有GPU集群(百卡级及以上)实际运维调优经历;
-
熟悉Linux、Kubernetes、Python/Shell自动化,了解NVIDIA生态(CUDA/DCGM/NCCL);
-
有大模型本地化部署与推理服务运维经验(vLLM/TensorRT-LLM等至少一种生产环境实践);
-
良好的故障定位能力与协作意识,能接受7×24轮值。
Description copied from Desay SV's careers page. Read the full posting before you apply.
More jobs at Desay SV
数据采集运营管理-智驾
Desay SV· Shanghai数据采集运营管理
Desay SV· Shanghai记忆泊车功能FO
Desay SV· Shanghai设备学科经理(CM-SIP)
Desay SV· Huizhou硬件架构平台技术专家
Desay SV· Huizhou
More jobs in Huizhou
Production Manager (DayaBay) - Additives
Clariant· Huizhou, CNR&M Electrical Tech I
Halliburton· Huizhou, GD, CNPilot Plant Process Engineer
ExxonMobil· Huizhou, GD, CN心血管和移植事业部-医学信息沟通代表 惠州
Sanofi· HuizhouEHS安全工程师
Makeblock· Huizhou