运维主管

职位职责:

1、服务器与算力架构规划：负责根据业务要求进行算力中心服务器架构设计、选型评估及算力资源池化方案，参与硬件配置评审，确保架构匹配算力需求。与模型研发团队对接，理解模型训练流程中的算力痛点，转化为服务器配置、网络拓扑、存储分层等架构方案。

2、算力平台软件运维与调优：负责服务器系统、K8S集群、MaaS平台、分布式存储及高速网络的软件运维，保障业务稳定运行。负责CPU/GPU算力环境的软件治理，建立算力效能基线，包括CUDA/cuDNN/驱动/容器配置、性能调优与故障排查。

3、算力分配与资源治理：设计多租户、多任务场景下的算力分配策略（队列、优先级、抢占、配额），提升GPU利用率与研发效率。搭建监控告警体系，对核心指标做可视化与预警，主导线上故障处理与复盘。

4、运维自动化：后续牵头搭建并带领运维团队制定运维规范、变更流程与应急预案，推动运维自动化与自愈能力建设。引入CI/CD、IaC、自动化测试等手段，实现训练环境快速交付与配置一致性。

5、硬件故障排查和预防，软硬件隔离、迁移及恢复策略，主导软硬协同的根因分析。

6、主动跟踪AI基础设施领域的前沿技术，结合业务痛点引入创新方案，持续提升算力效率与平台能力

任职要求：

1、本科及以上学历，计算机、云计算、网络工程、人工智能、运维相关专业优先

2、3年+大规模服务器集群运维经验，2年+K8s生产集群搭建运维经验，百卡GPU算力集群搭建/运维实战经验。

3、深入理解NVIDIA及昇腾架构，能独立解决CUDA、驱动、GPU Direct、容器GPU感知等软件问题。

4、熟悉典型训练框架（PyTorch/TensorFlow）的资源占用特征。

5、熟悉分布式训练网络需求，了解NVLink、IB、RoCE等高速互联技术，具备设计通信拓扑能力。

6、有AI场景或工业视觉平台运维经验优先，熟悉模型训练全流程对计算、存储、网络的需求模型。

7、具备服务器选型能力，熟练掌握算力、显存、存储带宽等需求评估方法，输出整机配置方案。

8、熟悉分布式存储（Ceph/Lustre/并行文件系统）及高速网络在AI场景的应用与调优。

9、具备跨部门沟通能力，极强的学习能力与责任心，对算力效率、成本有敏感度。