AI服务器运维工程师-AI Server Operation and Maintenance Engineer(J16534)

高性能服务器与计算集群部署维护：负责设计、部署和维护支持AI/ML工作负载的高性能服务器和计算集群，确保其稳定性和高效性；

服务器运维与应急处理：负责服务器的架构规划、运行维护、日常变更、资产管理、紧急事件应急处理等工作；

分布式训练环境优化：优化分布式训练环境（如Kubernetes、Slurm集群），提升资源利用率与任务调度效率；

服务器性能优化：优化服务器性能，确保高效处理大规模数据集和复杂模型训练任务；

AI团队协同支持：与AI团队合作，提供硬件和基础设施支持，满足AI模型训练和推理需求；

架构设计与技术评估：主导或参与系统架构设计、部署、运维等相关工作，研究和评估新技术应用，并推动适合的技术落地；

基础设施标准化与自动化：负责基础设施的标准化、工具化、自动化，服从上级主管安排的其他工作。

教育背景与专业知识：全日制本科及以上学历，计算机相关专业，五年以上相关工作经验，优秀者可适当放宽；

行业与专业经验：有半导体从业经验者优先；

专业技能与资格：精通NVIDIA GPU服务器架构，熟悉CUDA、cuDNN环境配置及性能调试；熟练使用Kubernetes管理容器化AI工作负载，了解RDMA、InfiniBand高速网络技术；熟练掌握主流服务器的硬件架构、安装、调试、性能优化及故障处理；熟练掌握脚本语言，至少精通Shell、Python其中一种，至少熟悉Ansible、SaltStack其中一种，能使用脚本自动化运维工作；精通Linux、Windows等主流操作系统，精通VMware等主流虚拟化技术；具有Linux、Windows、存储、备份、项目管理等相关认证者优先；具备ITIL理念，有相关ITIL证书者优先；

其他要求：工作态度踏实、认真、积极主动，具备良好的沟通、学习能力，具备强烈的责任心及团队协作精神。