阿里巴巴
阿里云智能-机器学习平台研发专家-AI平台管控与资源调度
阿里云智能-机器学习平台研发专家-AI平台管控与资源调度
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公平台工程
平台工程
Gpu调度
云原生
分布式系统
容器技术
微服务架构
值不值得投
77综合评分
综合评分 77
阿里核心AI Infra团队、前沿GPU调度技术、薪资竞争力强，但稳定性保障压力较大。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5.8万
比平台工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 3480 个在招 · 其中平台工程 19 个
市场机会
选择适中
杭州 · 平台工程 · 27 个在招
职位详情
关于这个职位
该职位主要负责阿里云机器学习平台的云原生管控系统与大规模GPU集群资源调度开发
你将参与Kubernetes调度器开发、GPU资源精细化调度及集群稳定性建设，支撑AI平台的商业化运营与高效运转
最低要求
计算机相关专业，具备golang开发经验，三年以上分布式系统相关工作经历，具备复杂系统软件的设计能力和调试能力
精通Kubernetes架构与调度机制，有Scheduler/Controller开发经验，深入理解K8s资源模型与调度扩展
熟悉GPU资源管理，了解GPU共享、MIG、拓扑感知调度等技术在K8s中的实现
掌握微服务架构、容器技术、Prometheus监控体系等相关技能，有大规模集群运维经验者优先
丰富的软件工程开发经验，对软件开发流程、质量保障、风险控制、部署交付、维护诊断等流程有清晰的认识和实践
良好的学习和自我驱动能力，具备良好的跨团队沟通协作能力
积极拥抱AI辅助编程工具，善于利用AI提升开发效率与代码质量
工作职责
参与模型服务平台云原生管控系统的开发，包括服务生命周期管理、弹性伸缩、灰度发布等核心能力建设
负责大规模GPU集群的资源管理与调度系统开发，包括资源分配、超卖策略、异构资源调度等
参与基于Kubernetes的调度器与Operator开发，实现GPU资源的精细化调度与利用率优化
负责大规模GPU集群的稳定性建设，包括故障检测与自愈、可观测体系、安全管控等
参与平台产品化与计量计费系统的开发，支撑商业化运营
根据用户反馈快速定位线上问题，将运维经验沉淀为平台能力，持续提升系统可靠性
优先资格
有大规模集群运维经验者优先
AI 洞察
优缺点分析
优点
- 接触行业最前沿的AI算力调度技术，积累大规模GPU集群管理的稀缺经验
- 作为核心基础设施团队，技术沉淀深，对个人简历和行业竞争力有极大背书作用
- 技术栈深且广，需要持续学习K8s底层机制及AI硬件拓扑等前沿知识，学习曲线陡峭
- 适合具备扎实分布式系统基础、对云原生和AI底层算力调度有浓厚兴趣，且渴望在技术深度上持续突破的高级研发工程师
缺点 / 挑战
- 依托阿里云庞大的业务场景，能够处理极具挑战性的超大规模分布式系统问题
- GPU资源调度与集群稳定性要求极高，线上故障排查压力大，需要较强的抗压能力
角色解读
- 可向云原生架构师或AI基础设施技术专家方向深耕，成为底层调度领域的顶尖人才
- 随着AI算力需求的爆发，掌握GPU集群调度经验将极大提升在AI Infra领域的行业竞争力
- 负责阿里云机器学习平台的云原生管控系统开发，实现服务生命周期管理与弹性伸缩
- 主导大规模GPU集群的资源调度系统开发，优化GPU资源分配与利用率
- 基于Kubernetes开发调度器与Operator，保障集群稳定性与可观测性
- 精通Golang语言及分布式系统设计，具备复杂系统调试能力
- 深入理解Kubernetes架构，有Scheduler/Controller及GPU资源调度开发经验
- 熟悉微服务、容器技术及Prometheus监控体系，具备大规模集群运维经验
申请策略
- 了解阿里云PAI（机器学习平台）的产品架构与核心功能，面试时能结合业务场景探讨调度优化方案
- 准备好应对高并发、高可用系统设计相关的深度技术拷问，展现扎实的系统底层功底
- 突出Golang开发经验及分布式系统设计能力，列举参与过的复杂系统架构设计案例
- 详细展示Kubernetes二次开发经验，特别是Scheduler/Controller或Operator的开发成果
- 强调在GPU资源管理、容器化部署或大规模集群运维方面的实际项目经验与优化指标
- 深入研读Kubernetes源码，特别是调度器扩展机制（Scheduling Framework）及GPU拓扑感知调度原理
- 补充AI大模型训练/推理场景下的算力需求知识，了解MIG、GPU共享等硬件级虚拟化技术
面试指南
- STAR法则：结合具体项目背景，说明面临的复杂系统问题、采取的技术方案及最终的性能提升指标
- 底层原理+业务场景：先阐述K8s或分布式系统的底层机制，再结合AI算力调度的实际业务痛点进行解答
- 请详细描述你在Kubernetes Scheduler二次开发中遇到的最大挑战及解决方案
- 在大规模GPU集群中，如何实现GPU资源的精细化调度与超卖策略？
- 当线上出现GPU节点故障或任务死锁时，你的故障检测与自愈机制是如何设计的？
- 请谈谈你对云原生管控系统弹性伸缩和灰度发布的理解与实践经验
- 复习Kubernetes核心组件源码及调度流程，准备1-2个自己主导的K8s Operator或调度器开发案例
- 了解当前AI大模型训练对GPU集群调度的特殊需求（如RDMA网络、拓扑感知、故障容错等）
职位点评
薪资福利85
成长发展95
工作生活40
使命价值80
薪资福利
85较高
作为高级研发专家岗位，薪资水平处于行业前列，且享有完善的福利体系与长期激励。
薪资信号未披露（AI估算：4千–7.5万/月）
成长发展
95较高
岗位涉及AI算力调度、云原生等前沿技术，技术深度与广度极佳，能极大提升个人在AI Infra领域的竞争力。
技术前沿前沿/新兴技术
技术栈Golang、Kubernetes、GPU调度、分布式系统、云原生、Prometheus、Scheduler、Operator
成长机会积极拥抱AI辅助编程工具
业务类型profit_center
工作生活
40较低
JD未提及工作模式与WLB相关信息，但核心基础设施与大规模集群运维岗位通常面临较高的线上稳定性压力。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
80较高
为AI大模型提供底层算力调度基础设施，直接推动人工智能技术的发展与商业化落地，具有较高的行业价值。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs