算力平台数据分析与运营工程师

1. 算力需求对接与合理性评估：深入理解各团队申请算力背后的任务目标(训练、微调、评测、推理服务)，评估资源规模、时长与卡型配置是否合理,主动给出合并、降配、错峰等优化建议。

2. 算力使用数据分析：持续跟踪 GPU 利用率、显存占用、任务排队与运行状态、多机多卡训练效率等核心指标,及时发现异常与低效使用场景。

3. 算力资源统筹调配：基于数据分析完成资源的合理分配与动态调配,推动闲置、碎片化、低效算力的回收与再分配,提升集群整体利用率。

4. 报表看板与洞察输出：制作清晰可读的算力使用报表与看板，将数据洞察转化为可执行的改进建议，定期输出算力使用改进报告。

5. 平台产品需求与改进推动：从平台全局视角审视调度策略、配额机制与监控诊断能力，持续提出产品需求,推动平台能力迭代。

6. 规范运营与跨团队协同：参与制定算力使用规范、配额与优先级机制,与训练、推理、数据、平台等团队密切协作,推动改进措施落地并形成闭环

1. 经验背景：2 年以上算力平台、AI 基础设施、数据运营或相关领域经验,了解大模型训练/推理的基本流程与资源消耗特征。

2. 需求理解力：能快速听懂研究员的技术诉求,判断算力申请的合理性,并主动提出优化或整合建议,而不是被动执行分配。

3. 数据分析能力：对数据变化和分布敏感,熟练使用 SQL、Python(Pandas 等)及 BI 工具制作报表和看板。

4. 全局视野：能跳出单点需求,从集群整体和平台规划层面思考资源调配与运营策略,理解平台能力边界。

5. 沟通推动力：善于跨技术团队沟通协作,能推动算力使用改进落地并形成闭环。

6. 技术理解力：了解 GPU 集群、分布式训练、推理框架等基本概念,能与 Infra、算法、平台团队有效对话,不要求精通研发或亲手开发。

【加分项】

1. 有大规模 GPU 集群算力运营、调度或资源管理经验。

2. 熟悉 vLLM、SGLang、Megatron、DeepSpeed 等训练/推理框架的资源使用特征。

3. 有算力监控、任务调度、自动诊断等平台工具的需求设计或使用经验。

4. 有撰写算力运营报告、资源规划方案并推动落地的经验。

5. 熟悉 DCGM、Prometheus、Grafana 等监控与数据采集工具