岗位描述
1. 负责GPU集群日常运维:服务器、InfiniBand/RoCE网络、并行存储的部署、监控与故障处理,保障训练/推理业务连续性; 2. 基于K8s/Volcano/Slurm落地算力调度策略(分时复用、优先级、配额),持续提升GPU利用率与集群效率; 3. 负责推理服务运维(vLLM/Triton等),保障高并发下的稳定性与延迟表现; 4. 建设智算平台监控可观测与AIOps能力(故障预测、自动巡检),推动运维自动化 ; 5. 参与算力成本运营(FinOps)与国产算力(昇腾等)适配验证,沉淀运维SOP与知识库。 6. 参与智能服务台与运维 Agent 建设:问题自动分类、工单派发、告警分析、节点巡检等 Agent 流程,推动运维从"人盯"走向"Agent + 平台";将常用运维操作与排障步骤封装为可被 Agent 调用的工具/技能(脚本 + SOP 文档)