1、负责机器学习系统的稳定运转，支持模型开发、训练与部署； 2、负责GPU/NPU/CPU和存储等资源的管理与规划、成本与预算； 3、负责多地域、多机房的系统容灾、服务部署管理和集群机器治理； 4、开发自动化工具或平台，提升资源利用率和运维人效。

职位要求 1、硕士学位及以上，计算机科学、计算机工程、电子工程或相关专业； 2、工作经验：5年以上高并发/分布式系统工程经验，其中至少3年聚焦于ML/AI基础设施领域，有GPU集群实践经验者优先； 3、技术功底：深入理解现代GPU/加速器微架构、高速互联架构（NVLink/NVSwitch）及数据中心网络（RDMA/RoCE/InfiniBand）；精通至少一种主流分布式训练/推理框架的底层源码与优化机制；具备扎实的系统编程能力，精通C++、Go或Rust，并具备深厚的Python底层开发与调试功底； 4、素养：具备出色的第一性原理（First-princIPles）思考能力，面对复杂的软硬件级联故障能迅速推导本质，具备优秀的技术前瞻性。