乌鸫科技-AI平台运维工程师-智能引擎产品技术

优缺点分析

角色解读

• 纵向可发展为资深MLOps专家或AI基础设施架构师，深入参与大规模算力集群的调度与优化
• 横向可向AI平台产品经理或技术支持专家转型，负责平台整体规划或大客户技术赋能
• 负责AI算力与模型训练平台的日常配置管理、数据监控与统计分析，保障平台稳定运行
• 作为算法工程师与底层基础设施之间的桥梁，解决MLOps流程中的资源调度、硬件故障等技术答疑
• 收集平台使用痛点，开发自动化工具并优化平台交互设计，提升算法团队的研发效率
• 熟练掌握Python和SQL，具备快速排查问题和编写自动化脚本的能力
• 熟悉Linux操作系统及Kubernetes容器编排技术，了解AI平台的运维机制
• 了解PyTorch、TensorFlow等主流深度学习框架，能够理解算法工程师的基本诉求

申请策略

• 了解阿里巴巴智能引擎事业部（如搜索推荐等）的业务背景，展现对AI落地场景的理解
• 突出Python/Shell脚本编写能力，以及在Linux/K8S环境下排查复杂系统故障的实际案例
• 强调参与过MLOps平台建设、自动化工具开发或提升平台易用性的具体项目成果
• 深入学习Kubernetes高级特性及GPU调度机制，了解主流AI训练框架的底层资源消耗逻辑
• 提升数据分析与可视化能力，以便更好地进行平台资源统计与效能分析

面试指南

• STAR法则：针对排查或开发类问题，按照情境、任务、行动、结果的逻辑清晰阐述
• 分层排查法：从硬件层、系统层、容器层到应用层，自底向上或自顶向下展示系统性思维
• 当算法同学反馈模型训练任务卡住或GPU资源不足时，你的排查思路和解决步骤是什么？
• 请分享一个你使用Python或Shell开发自动化工具，解决重复性运维痛点的具体案例
• 在K8S环境中，如何优化深度学习训练任务的资源分配和调度效率？
• 面对算法团队提出的平台易用性改进需求，你如何评估优先级并推动落地？
• 复习K8S核心组件原理及GPU设备插件机制，准备1-2个MLOps相关的实战项目细节
• 了解当前大模型训练（如分布式训练、Checkpoint机制）对底层算力和网络的基本诉求