AI for Systems 算法工程师（北京/深圳/上海/杭州）-智能调度与性能优化

优缺点分析

角色解读

• 可向AI基础设施架构师、高级算法专家方向发展
• 也可转向更广泛的系统性能优化、云原生资源管理或AI编译器领域
• 积累深厚后可承担更大规模的系统级优化项目
• 构建AI系统的性能模型，预测不同硬件和配置下的资源消耗与效率表现
• 设计智能调度算法，优化资源分配策略以提升系统整体吞吐量并降低延迟
• 将算法方案在仿真和真实环境中进行验证与工程化落地
• 扎实的运筹优化、概率统计和机器学习理论基础
• 深入理解AI训练/推理系统的底层原理（计算、显存、通信、并行策略）
• 熟练使用Python进行数据分析、实验设计及算法开发
• 具备良好的系统工程思维，能处理复杂的资源约束问题

申请策略

• 关注腾讯在AI基础设施方面的最新技术动态
• 准备具体的项目案例，重点阐述如何定义问题、设计实验及验证收益
• 展现对系统性能瓶颈的敏锐洞察力
• 突出运筹优化、机器学习在资源调度领域的实际应用案例
• 展示对AI系统底层原理（如GPU显存管理、通信开销）的深刻理解
• 强调算法落地能力和工程实践经验，特别是性能提升的具体指标
• 深入学习分布式系统原理及AI框架（如PyTorch/TensorFlow）的执行机制
• 强化运筹学算法（如线性规划、整数规划）的实现能力

面试指南

• 使用STAR法则描述项目背景、任务、行动和结果
• 重点展示问题分析思路、算法选择依据及实验设计逻辑
• 强调量化成果，如性能提升百分比、资源节省比例等
• 请介绍一个你使用运筹优化或机器学习解决实际资源调度问题的案例
• 如何建模AI训练过程中的显存占用和通信开销？
• 在设计调度算法时，如何平衡理论最优解与实际工程落地的可行性？
• 请解释一下常见的并行策略及其对系统性能的影响
• 复习运筹优化经典算法及机器学习基础理论