Job description
- 负责AI平台的整体架构维护和优化，保障平台7×24小时稳定运行，为AI模型训练、推理及业务应用提供坚实的基础设施支撑；
- 承担AI开发环境、训练环境和推理环境的搭建、部署与管理工作，涵盖TensorFlow、PyTorch、MXNet等主流深度学习框架，以及Docker、Kubernetes等容器化技术的应用与维护，确保AI研发团队能够快速获取并使用标准化、高效能的开发环境；
- 负责AI平台计算资源的调度与分配，通过制定合理的资源管理策略，优化资源利用率，避免资源闲置与浪费，同时保障重要AI训练任务和业务应用的资源优先级；
- 建立完善的AI平台监控体系，运用Prometheus、Grafana、ELK等监控工具实时监控平台运行状态，及时发现并排查系统故障、性能瓶颈等问题，制定应急预案并在故障发生时快速响应，将故障对业务的影响降至最低；
- 与AI研发团队、业务团队紧密协作，深入理解其业务需求，提供针对性的技术支持与解决方案，协助解决AI模型训练、部署过程中遇到的技术问题，同时参与AI平台的需求调研与架构设计，为平台的持续优化提供建议；