介绍 作为机器学习基础设施工程师，你将参与建设面向量化研究与机器学习的计算和平台基础设施，与基础设施团队及研究、工程团队紧密合作，提升特征计算、模型训练、实验迭代与推理任务的效率和可靠性。团队面向 PB 级数据处理与大规模机器学习训练场景，持续优化 GPU/CPU 计算资源、分布式计算、存储与数据访问、机器学习平台及开发者工具。 岗位职责 ●建设和优化 GPU/CPU 资源管理与任务调度系统，提高计算资源利用率和任务运行效率。 ●支持多 GPU、多节点计算任务，优化数据加载、任务并行、节点通信与故障恢复。 ●优化大规模数据读取、缓存与存储访问，定位并改善计算、网络及 I/O 瓶颈。 ●开发任务提交、实验管理、开发环境及依赖管理工具，提升研究效率与可复现性。 ●支持模型训练、批量及在线推理任务的部署运行，完善版本管理、监控与故障恢复。 ●建设自动化运维、监控告警、权限管理与资源配额能力，提升系统可靠性。 ●与研究和工程团队协作，将共性需求转化为易用、可复用的平台能力。 任职要求 ●知名院校大学本科学历以上，计算机、软件工程或相关理工科专业，具备基础设施、平台工程、分布式系统、高性能计算或机器学习相关技术基础。 ●扎实的 Linux、网络、存储和操作系统基础，能够分析资源使用情况，定位性能与稳定性问题。 ●熟练掌握 Python、Go、C++、Rust、Java 等至少一门编程语言，具备良好的编码习惯和工程意识。 ●了解容器、任务调度与资源管理，熟悉 Kubernetes、Slurm、Ray 或同类系统中的至少一种。 ●理解机器学习模型训练和推理的基本流程，有实际模型训练或相关项目经验，了解数据 I/O、计算资源和运行环境的要求。 ●了解 CI/CD、Infrastructure as Code、监控告警及自动化运维，重视系统的可观测性、可复现性与故障恢复能力。 ●具备良好的学习、沟通与协作能力，能够理解研究需求，分析技术取舍并推动方案落地。 加分项 ●有量化投资、对冲基金、机器学习平台或大规模研究计算平台经验。 ●有大规模特征工程、数据管道、分布式存储或 PB 级数据处理经验，或有模型服务、批量/在线推理基础设施建设经验。 ●有 GPU 集群建设、分布式训练性能调优经验，或熟悉 PyTorch Distributed、CUDA、RDMA 等技术；熟悉 Claude Code、Codex 等 AI coding tools 并有融入开发流程的实践。