米哈游
机器学习平台产品经理
机器学习平台产品经理
发布于 大约 15 小时前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
本科
产品管理
产品管理
机器学习
GPU
PyTorch
TensorFlow
LLM
模型部署
FinOps
资源调度
AI 估算 · 30k–50k
上海头部互联网公司，ML平台产品经理稀缺，薪资水平较高，结合岗位技术深度与公司规模，预估月薪3-5万，16薪。
职位详情
关于这个职位
作为米哈游机器学习平台产品经理，你将负责规划、建设并运营统一的ML平台，覆盖训练与推理场景
通过优化GPU/NPU资源调度、提升资源利用率、降低成本，支撑公司各业务线的高效AI开发与部署
该职位要求兼具产品思维与技术理解，适合希望在AI基础设施领域深入发展的产品经理
最低要求
本科及以上学历，计算机、软件工程、人工智能等相关专业优先
三年以上产品经理经验，其中至少1年ML平台、云计算或基础架构平台产品经验
熟悉ML全链路（数据→训练→评估→部署→推理），理解PyTorch/TensorFlow等主流框架及分布式训练基本原理
了解Kubernetes资源管理机制与GPU虚拟化技术（MIG/MPS/Time-Slicing）
理解FinOps理念，能定义资源利用率指标并推动落地，有成本优化相关产品经验者优先
有平台从0到1的建设经验，能独立完成产品规划、需求定义与跨团队交付
数据驱动：出色的数据分析与逻辑思维能力，能通过资源账单、集群日志、调度数据发现效率瓶颈并驱动决策
工作职责
平台整体规划：深入调研各业务线ML工作流痛点与资源使用模式，以资源效率提升为主线制定产品路线图
定义核心指标体系（GPU利用率、显存利用率、资源碎片率、排队时长、单位算力成本等），并以此作为需求优先级与效果评估的关键标准
撰写PRD并协同工程、算法、SRE团队完成交付
训练平台建设：设计交互式开发环境（Notebook/IDE）、分布式训练任务管理、实验追踪（Experiment Tracking）与模型注册（Model Registry）
构建GPU/NPU统一资源调度与配额管理体系，支持弹性扩缩容、任务抢占、拓扑感知调度与装箱优化（Bin Packing），减少资源碎片
推动GPU分时复用（Time-Slicing/MIG/MPS）等多任务共享能力落地，提升单卡利用率
建立资源使用可视化与成本归因体系，设计闲置任务自动检测与资源回收机制
推理平台建设：设计模型部署能力，覆盖在线推理、离线批量推理，支持模型量化、剪枝、蒸馏等压缩手段的产品化接入，降低单实例资源消耗
建设弹性扩缩容（HPA/VPA）、多模型混部与实例池化机制，提升推理集群资源利用率与实例复用率
定义推理SLO指标体系（延迟、吞吐、可用性），在保障SLA的前提下追求资源效率最大化
探索LLM推理场景产品化方案（兼容vLLM、TGI、TensorRT-LLM等引擎），支持A/B分流与灰度发布
平台运营与推广：以资源利用率改善为核心叙事，推动平台在各业务线规模化落地，定期输出资源效率报告，形成资源节约文化
建立用户反馈闭环，持续发现资源浪费场景并转化为平台能力迭代
AI 洞察
优缺点分析
优点
- 米哈游现金流充裕，对基础设施投入大，平台影响力广
- 接触前沿AI技术（LLM推理优化、GPU虚拟化），技能积累快
- 资源效率提升直接带来显性成本节省，成果可量化，职业成就感强
- 需要较强的技术背景，对ML工程和云原生理解决定上限
- 跨团队协作复杂，需推动算法、SRE等团队改变使用习惯
缺点 / 挑战
- 业务对GPU资源需求波动大，平台需兼顾稳定与弹性，压力不小
- 适合有技术背景、产品思维，对AI基础设施和成本优化有热情，且能承受跨部门沟通压力的产品经理
角色解读
- 成为ML基础设施领域专家，主导公司级算力平台战略
- 向技术总监或架构师方向发展，负责更大规模的AI基础设施团队
- 横向扩展至云计算、大数据平台等基础设施产品领域
- 制定ML平台产品路线图，围绕GPU资源效率提升设计核心指标并推动优化
- 建设训练与推理平台，包括资源调度、实验追踪、模型部署等功能
- 与工程、算法、SRE团队协作，确保平台稳定交付并落地业务线
- 扎实的产品规划与数据分析能力，能通过资源账单、日志等发现效率瓶颈
- 理解ML全链路，熟悉PyTorch/TensorFlow及分布式训练原理
- 了解Kubernetes资源管理及GPU虚拟化技术，具备FinOps成本优化经验
申请策略
- 深入了解米哈游现有游戏和AI应用场景，思考平台如何助力业务
- 面试时准备一个你主导的ML平台案例，重点讲资源效率提升的闭环
- 突出ML平台或云平台产品经验，用数据展示资源利用率提升成果
- 强调从0到1搭建平台或关键模块的经历，附上PRD或路线图样例
- 展示对FinOps和成本优化的理解，例如如何定义指标并推动落地
- 系统学习Kubernetes资源调度与GPU虚拟化技术（MIG、Time-Slicing）
- 补充LLM推理引擎（vLLM、TensorRT-LLM）的产品化方案知识
面试指南
- 用STAR法则：情境-任务-行动-结果，量化资源效率提升数据
- 平衡多方利益：展示数据驱动决策，兼顾技术可行性和业务需求
- 体现系统性思考：从指标定义到闭环迭代，展示完整产品逻辑
- 请描述一次你如何通过产品手段提升GPU资源利用率的案例
- 你如何定义ML平台的核心指标？如何权衡资源效率与用户易用性？
- 谈谈你对Kubernetes资源调度和GPU虚拟化的理解
- 如果业务方要求独占GPU，但平台希望共享以提高利用率，你如何推动？
- 如何设计一个推理平台的弹性伸缩策略，以应对流量波动？
职位点评
70
综合评分
上海米哈游，ML平台产品经理，前沿技术栈，高薪资，WLB一般。
更适合这类人
最适合追求技术成长和薪资回报的发展型求职者，对WLB要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展90
工作生活50
使命价值60
薪资福利
80较高
米哈游薪资福利在行业中处于领先水平，且公司盈利稳定，但JD未明确具体薪资福利，需面议确认。
薪资信号面议 (30K-50K/月)
成长发展
90较高
该职位涉及前沿技术（LLM推理、GPU虚拟化、FinOps），技能成长空间大，且公司内部有丰富资源，但JD未明确提及晋升通道或培训。
技术前沿前沿/新兴技术
技术栈Kubernetes、GPU、PyTorch、TensorFlow、LLM、vLLM、TensorRT-LLM
业务类型profit_center
工作生活
50较低
上海办公，未明确远程或弹性工作制，且游戏公司通常工作节奏较快，WLB一般。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
60中等
游戏行业增长稳健，但该岗位偏基础设施，社会影响力中性；技术创新性强，属于积极采用新技术。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs