中/高级运维工程师（AI平台）

优缺点分析

角色解读

• 可向AI基础设施架构师方向发展，负责整个AI平台的设计和优化
• 也可转向AI平台研发，深入开发调度系统或数据湖工具
• 在大疆内部有丰富的算力和数据资源，适合积累大规模分布式系统经验
• 负责大规模AI训练集群的稳定性，解决故障自愈和调度编排问题
• 保障在离线推理服务的高可用和低延迟，实现弹性伸缩和自动扩缩容
• 运维AI数据产线，包括数据清洗、标注、预处理等流水线
• 管理多模态数据湖和存储系统，涉及Spark、Flink、Trino等组件
• 精通Python或Go，并有K8S Operator开发经验
• 理解GPU硬件架构、NCCL通信原理和RDMA网络
• 熟悉深度学习训练框架（Pytorch/Megatron）或推理框架（VLLM/TRT）
• 掌握大数据生态（Spark/Flink/Hadoop）和存储系统（HDFS/Alluxio/对象存储）

申请策略

• 研究大疆AI平台的技术方向，特别是其在无人机、智能驾驶等领域的应用，展示兴趣
• 在面试中准备一个复杂故障排查的案例，体现系统性思维
• 突出K8S Operator开发经验，描述具体项目和成果
• 强调GPU集群或大数据平台的运维案例，包括性能优化、故障处理等
• 展示对深度学习框架或推理框架的理解，说明实际部署经验
• 提及参与过AI数据产线或数据湖相关项目
• 补充对NCCL、RDMA等网络通信原理的深入理解
• 熟悉Pytorch分布式训练或VLLM推理框架的部署与调优

面试指南

• 采用STAR法则：情景、任务、行动、结果，结构化描述实际案例
• 对于故障排查类问题，先理清现象，再定位根因，最后给出解决方案和预防措施
• 展示系统性思考：从架构层面分析问题，不仅关注单一组件
• 描述你之前如何设计和实现一个K8S Operator？
• 如何诊断GPU训练任务中的性能瓶颈？
• 在AI推理服务中，如何实现弹性伸缩和低延迟？
• 大数据Spark作业出现数据倾斜，你如何排查和解决？
• 你如何保障数据湖的稳定性和数据一致性？