AI算力运维工程师

研究方向
健康医疗大数据

工作经验要求
1-3年

岗位职责
1.负责健康医疗大数据平台GPU/CPU科研计算集群的建设、运行和维护；
2.负责基于Slurm等技术的算力资源统一调度、用户管理、任务管理和资源配额管理；
3.负责NVIDIA GPU、CUDA、cuDNN、NCCL及PyTorch等AI计算环境的部署和维护；
4.负责Docker/Apptainer等容器化科研计算环境建设；
5.建设GPU及服务器监控体系，实现GPU利用率、显存、任务和资源使用情况监测；
6.支持单机多卡、多机多卡及分布式AI训练任务，协助定位GPU、通信、存储及网络性能问题；
7.建立GPU-hour等算力使用统计和资源利用分析机制，提高平台整体算力利用效率；
8.为科研人员提供AI计算环境、集群任务及算力使用相关技术支持

职位要求
应聘条件：
1.计算机、软件工程、电子信息等相关专业本科及以上学历，研究生学历者优先；
2.具有1年以上Linux服务器、GPU集群、HPC或AI计算平台相关经验；
3.熟悉Slurm、PBS、LSF等至少一种集群任务调度系统（具有Slurm实际经验者优先），具备大规模集群任务调度、配额管理、资源优化实战能力；
4.熟悉NVIDIA GPU、CUDA及常见AI计算环境，熟悉NVIDIA GPU硬件架构及NVLink多卡互联机制，熟练掌握CUDA、cuDNN、NCCL底层通信环境部署与调优，熟悉RDMA/InfiniBand高速网络配置、运维及故障排查，精通PyTorch等主流AI框架的集群适配与运行优化；
5.熟悉Docker等容器技术，能够独立完成容器镜像定制、批量部署与环境封装，具备Python/Shell脚本能力；
6.了解Prometheus、Grafana等监控体系，了解DCGM GPU监控工具，可独立搭建、调试、迭代算力集群监控体系；
7.具备较强的问题定位、系统学习和沟通协作能力；优先考虑：具有NCCL、PyTorch Distributed、RDMA/InfiniBand、NVLink、MIG、Kubernetes、DCGM、JupyterHub或大型GPU集群实际运维经验