AI-后端研发实习生（2）

优缺点分析

角色解读

• 从实习生开始，积累自动驾驶底层技术经验，有机会转正成为正式员工
• 深入GPU可观测性领域，成为该领域的专家，未来可向系统架构师或技术专家方向发展
• 通过参与开源项目，建立个人技术品牌，提升职业竞争力
• 开发CUDA任务超时诊断工具，实时监控和记录CUDA API调用，帮助定位模型训练和推理中的性能瓶颈
• 设计GPU故障信息采集机制，在GPU kernel出错时自动捕获上下文和状态，为根因分析提供数据
• 参与开源社区，将开发的工具回馈给社区，提升个人影响力和代码质量
• 熟练掌握C和shell编程，熟悉CUDA编程模型，能够编写高效的GPU代码
• 熟悉Linux系统下的C/C++开发环境，了解操作系统原理和底层技术
• 具备良好的沟通和合作能力，能够与团队协作解决问题

申请策略

• 关注滴滴自动驾驶的技术博客，了解团队技术方向
• 准备一个相关的小项目，展示你的动手能力
• 突出C/C++和CUDA编程经验，尤其是相关项目或课程设计
• 强调Linux系统开发经验，包括内核模块或性能调优
• 展示开源项目参与经历，如有GitHub仓库或贡献记录
• 提前学习CUDA编程和GPU架构，熟悉NVIDIA工具链
• 了解eBPF和内核模块开发，增强底层技术能力

面试指南

• 对于技术问题，先阐述基本原理，再结合项目经验给出具体解决方案
• 对于项目经验，使用STAR法则（情境、任务、行动、结果）来组织回答
• 解释CUDA编程模型中的线程层次结构
• 如何诊断CUDA程序中的性能瓶颈？
• 描述一个你解决过的底层技术问题
• 你对GPU可观测性工具的理解是什么？
• 如何设计一个工具来捕获GPU错误现场？
• 复习CUDA编程和GPU架构知识，准备相关项目案例