基础平台研发工程师-开源技术社区

优缺点分析

角色解读

• 在阿里云基础平台部门，可以成长为AI基础设施领域的资深技术专家，主导核心平台架构设计
• 有机会深入参与大模型、云原生等前沿技术，成为技术社区有影响力的KOL
• 未来可向技术管理方向发展，带领团队负责更大规模的平台研发
• 负责ModelScope平台核心组件的研发，包括数据集、创空间、工具服务化等，构建以模型为中心的开发者生态
• 打造平台的自动弹性伸缩和水平扩展能力，确保千万级开发者用户获得稳定服务，并优化计算资源利用效率
• 参与大模型推理框架和微调技术的研发，开发LLM和AIGC模型的应用工具链，支持模型从训练到部署的完整工程链路
• 与全球开源社区协作，推动前沿AI模型生态的发展，并撰写技术文档和最佳实践指南
• 扎实的编程功底，精通Go、Java、Python、C++等至少一种语言，并熟练掌握Pytorch等深度学习框架
• 深入理解云原生技术（如Kubernetes），具备构建高可用、高并发分布式系统的能力
• 对HuggingFace、ModelScope等AI平台工具有深入了解，熟悉大模型推理、微调、部署等技术
• 具备优秀的架构设计能力、问题解决能力和英文读写能力，能够独立应对复杂技术挑战

申请策略

• 在申请时，可以表达对AI开源生态的热情和对ModelScope平台的了解，展现你的技术热情
• 面试时，可以准备一个与平台研发相关的项目案例，展示你的架构设计能力
• 突出在机器学习平台、云服务或大模型训练推理方面的项目经验，量化成果（如性能提升、稳定性指标等）
• 强调精通的语言和框架，特别是Go、Python、Pytorch，以及Kubernetes等云原生技术
• 展示对开源社区（如HuggingFace、ModelScope）的贡献，如开源项目、技术博客、社区活动等
• 如有顶会论文或竞赛奖项，务必在简历中突出展示
• 提前熟悉ModelScope和HuggingFace平台，了解其核心功能和架构
• 深入学习Kubernetes、Docker等云原生技术，并动手实践

面试指南

• 回答技术问题时，采用STAR法则（情境、任务、行动、结果），突出你的技术决策和量化成果
• 对于平台设计问题，可以从业务需求、架构设计、技术选型、性能优化、运维保障等维度展开，体现你的系统思考能力
• 对于开源问题，可以结合具体贡献案例，体现你的技术热情和协作能力
• 请介绍一个你主导设计的分布式系统架构，如何保证其高可用和可扩展性？
• 如何设计一个支持百万级用户的高弹性AI推理服务？
• 你对ModelScope或HuggingFace平台的理解？你认为它们解决了什么问题？
• 如何优化大模型推理的性能？有哪些常用的技术手段？
• 谈谈你在开源社区的经历？你如何看待开源精神？