招聘信息

• AI运维工程师

  9000-10000 浙江省杭州市 全职 本科及以上 1人 2026-06-30

  收藏 投递简历

  2026-03-18 13:28:21

  职位描述

  职位职责：
  1. 负责健康云大模型训练/推理算力集群的日常运维与稳定性保障，涵盖GPU服务器、分布式存储等硬件资源，落实7x24小时业务连续性要求，快速响应算力故障并推动根因闭环。
  2. 参与算力集群自动化运维体系搭建，基于Python/Go脚本开发运维工具，实现算力调度、资源监控、故障自愈的自动化落地，提升算力交付效率。
  3. 协同业务优化算力资源配置，开展GPU集群性能调优，监控显存占用、算力利用率等核心指标，保障大模型训练任务高效推进，降低算力成本。
  4. 参与OPS体系构建，对接模型训练平台，实现模型训练、部署全流程的运维支撑与标准化管理，沉淀算力运维最佳实践。
  5. 跟踪算力调度、AI运维领域技术趋势，探索大模型运维智能化方案，参与算力集群扩容、架构迭代等核心项目。
  职位要求：
  1. 计算机科学与技术、人工智能、软件工程、云计算等相关专业；熟悉Linux操作系统（CentOS、Ubuntu），具备系统配置、性能调优、故障排查能力，掌握至少一门脚本语言（Python/Go等）。
  2. 了解大模型基础概念与训练/推理流程，对GPU硬件特性、分布式算力调度有基础认知，熟悉主流AI框架（TensorFlow/PyTorch等）。
  3. 具备扎实的计算机网络基础，精通TCP/IP协议，了解分布式系统原理，能配合团队排查跨节点通信故障。
  4. 英语CET-4及以上，具备良好的英文技术文档读写能力，能高效对接跨团队技术沟通。
  5. 具备强烈的自驱力、探索欲与抗压能力，善于独立思考，能快速适应AI算力运维的业务场景。加分项
  1. 持有阿里云ACP、华为云HCIA/HCIP（AI/云计算方向）、NVIDIA相关认证者优先。
  2. 有GPU集群运维、大模型训练支撑、MLOps相关实习或项目经历，参与过开源AI项目贡献者优先。
  3. 熟悉容器技术（Docker、Kubernetes），有容器化AI平台运维经验，掌握Prometheus/Grafana监控工具者优先。
  4. 在AI运维、分布式算力调度相关科研项目或编程竞赛中取得优异成果者优先。

  职位类别:计算机软、硬件/互联网/IT

  专业要求:工学

单位简介