高级平台工程师/站点可靠性工程师 AI基础设施
加入一家处于隐身模式的初创公司，构建其AI和云平台，由数千个H100、H200和B200驱动，准备进行实验、全规模模型训练或推理。作为平台工程师/高级站点可靠性工程师，您将负责该GPU驱动基础设施的可靠性、性能和自动化，确保
在由Slurm、Kubernetes或直接SSH访问管理的环境中实现无缝编排。此外，还将支持他们即将上市的极具吸引力的新产品！
这是一个难得的机会，可以在AI基础设施和AI的交汇处工作，塑造私人部署中最大GPU集群之一的运营骨干。
如果您想为前沿AI工作负载构建和运营基础设施，在拍字节规模上自动化系统，并成为创始工程团队的一员，这就是实现这一目标的地方。
职责
- 设计、部署和维护大规模GPU集群（H100/H200/B200）以支持训练和推理工作负载。
- 构建自动化管道，以在Slurm和Kubernetes环境中提供、扩展和监控计算资源。
- 开发可观察性、警报和自动修复系统，以支持高可用性GPU工作负载。
- 与ML、网络和平台团队合作，优化资源调度、GPU利用率和数据流。
- 在数千个节点上实施基础设施即代码、CI/CD管道和可靠性标准。
- 诊断性能瓶颈，并推动在可靠性、延迟和吞吐量方面的持续改进。
所需技能和经验
- 客户面对经验和成为瑞士军刀的态度！
- 在Kubernetes和Slurm用于集群编排和工作负载管理方面有丰富的实践经验。
- 深入了解Linux系统、网络和GPU基础设施（首选NVIDIA H100/H200/B200）。
- 精通Python、Go或Bash用于自动化、工具开发和性能调优。
- 具备可观察性栈（Prometheus、Grafana、Loki）和事件响应框架的经验。
- 熟悉大规模高性能计算（HPC）或AI/ML训练基础设施。
- 在可靠性工程、分布式系统或硬件加速环境方面的背景是一个很大的加分项。
