基础设施与稳定性工程-大规模训练调度及效率优化工程师-杭州/北京

优缺点分析

角色解读

• 在AI基础设施领域深耕，成为大规模训练系统专家，负责更核心的算力平台
• 向技术管理方向发展，带领团队建设训练基础设施，影响公司AI战略
• 横向扩展到AI平台、云原生等方向，成为跨领域的技术专家
• 负责万卡级训练集群的调度系统建设，包括任务编排、资源分配和拓扑感知，确保大规模模型训练高效运行
• 构建训练稳定性体系，处理软硬件故障，实现自动恢复和断点续训，保障训练任务不中断
• 深入分析训练性能瓶颈，优化计算、通信、存储等环节，提升整体资源利用率和训练效率
• 参与国产异构芯片上的模型适配与性能调优，推动自主可控技术落地
• 精通Golang或Python，具备扎实的算法和数据结构基础，能进行高性能系统开发
• 深入理解分布式系统原理，有大规模集群调度或分布式计算经验
• 了解GPU架构、网络通信、并行计算等HPC知识，熟悉NCCL、Megatron-LM等训练框架
• 具备复杂问题分析和排查能力，能定位并解决系统底层瓶颈

申请策略

• 了解阿里巴巴AI基础设施团队的业务方向，在面试中展示对AI训练系统的理解
• 准备一个完整的项目案例，详细说明你在系统优化中的角色和贡献
• 突出大规模分布式系统或训练平台项目经验，量化成果（如提升效率百分比）
• 强调Golang/Python编程能力，以及算法和数据结构基础
• 展示对GPU、NCCL等技术的理解，如有相关优化经验务必提及
• 强调问题解决和故障排查案例，体现自驱和务实精神
• 深入学习Kubernetes和调度算法，了解资源调度策略
• 熟悉Megatron-LM、DeepSpeed等框架，动手实践分布式训练

面试指南

• 从系统架构出发，分析问题，提出解决方案，并说明权衡
• 结合具体项目经验，用STAR法则描述你的行动和结果
• 展示对底层原理的理解，如GPU通信、调度算法等
• 如何设计一个万卡级训练集群的调度系统？
• 如何排查和解决分布式训练中的通信瓶颈？
• 描述一次你优化系统性能的经历，具体做了什么？
• 如何实现断点续训，确保训练任务不中断？
• 对国产GPU的适配和优化有什么经验或想法？