AI Infa 后端研发工程师

优缺点分析

角色解读

• 向AI基础设施架构师发展，成为训练性能优化领域的专家
• 横向扩展至自动驾驶全栈技术，或深入大模型训练框架核心开发
• 技术管理方向：带领团队攻克训练链路中的工程难题
• 专注于自动驾驶模型训练的分布式性能优化，解决显存、通信、数据流水线等瓶颈
• 管理大规模训练数据集，优化数据读取与版本控制，保障数据高效流转
• 维护并迭代内部训练框架，推动训练流程自动化和监控体系建设
• 排查训练过程中的异常问题，如OOM、卡死等，进行系统级Profiling和优化
• 扎实的Python和Linux开发基础，熟悉Git等协作工具
• 深入理解PyTorch等深度学习框架及分布式训练原理
• 了解数据集管理、数据存储格式（Lance、WebDataset等）优化方法
• 具备排查系统问题和性能调优的能力，熟悉CPU/GPU异构计算

申请策略

• 笔试或面试中可主动展示对训练链路瓶颈的思考，如数据加载如何影响GPU利用率
• 了解地平线自动驾驶业务方向，在面试中体现对量产模型训练的理解
• 突出分布式训练项目经验，如使用DDP/FSDP加速模型训练的具体案例
• 展示数据集管理和数据管道优化的成果，包括IO吞吐提升数据
• 强调Linux系统调优、Profiling工具使用经验
• 附上开源贡献或技术博客链接，体现自驱学习能力
• 提前学习PyTorch分布式模块（DistributedDataParallel、FSDP）和DeepSpeed实践
• 了解Lance、WebDataset等数据格式的读写原理和性能调优方法

面试指南

• 问题定位类：先复现问题→使用工具（torch.cuda.memory_summary等）定位瓶颈→提出优化方案（如梯度累积、混合精度）→验证效果
• 系统设计类：明确需求→拆解模块（存储、索引、分发）→对比不同方案优缺点→给出可落地的架构
• 如何排查PyTorch训练过程中显存不足（OOM）的问题？
• 描述一次你优化数据加载管道的经验，如何提升训练吞吐？
• DDP和FSDP的区别是什么？分别适用于什么场景？
• 如何设计一个大规模数据集版本管理系统？
• 你如何评估并优化GPU通信效率？
• 复习PyTorch分布式训练官方文档和常见踩坑总结