联想
AI Data Infra Senior Researcher
AI Data Infra Senior Researcher
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公数据工程
数据工程
Clickhouse
Gpu优化
Pytorch
分布式系统
数据基础设施
时间序列分析
机器学习
深度学习
值不值得投
76综合评分
综合评分 76
核心AI数据基础设施高级研发岗，技术栈前沿且极具深度，成长空间大，适合资深技术极客。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5.5万
比数据工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 290 个在招 · 其中数据工程 3 个
市场机会
选择面较广
北京 · 数据工程 · 约 160 个在招
职位详情
关于这个职位
该职位主要负责设计和开发面向AI工作负载的大规模数据基础设施，优化GPU集群环境下的数据处理与供给链路，并应用机器学习算法进行系统异常检测与性能预测
你需要结合分布式流处理、列式分析系统及数据湖技术，解决高并发、低延迟的数据处理难题，赋能企业级与个人AI产品
最低要求
计算机科学、人工智能、数据科学、计算机工程、电子工程、应用数学或相关专业硕士或博士学位，或具备同等实践经验
年及以上 Machine Learning、Deep Learning、Data Science、AI Data Infrastructure、Distributed Systems、Machine Learning Systems 或大规模数据平台相关研发经验
具备扎实的数据科学、机器学习和深度学习基础，熟悉监督学习、无监督学习、表示学习、时间序列分析、异常检测、预测建模及模型评估方法
熟悉 PyTorch、TensorFlow、JAX 或其他主流机器学习框架，具有模型训练、推理、数据分析或算法工程化经验
具备大规模分布式数据系统设计和开发能力，熟悉 streaming、batch processing、distributed storage、OLAP 和数据服务等技术
熟悉 Kafka、Flink、Spark、ClickHouse 或类似技术，并能够分析大规模实时数据链路中的吞吐、延迟、状态管理、backpressure 和故障恢复问题
熟悉 Flink 或类似 stateful streaming framework，理解 event time、watermark、window、state、checkpoint 和 exactly-once 等关键机制
熟悉 ClickHouse 或类似列式分析系统，理解 columnar storage、partitioning、sorting、compression、高吞吐写入和低延迟查询
理解大规模 GPU 训练和推理中的数据处理需求，能够分析 storage、network、CPU preprocessing 与 GPU execution 之间的数据供给和性能瓶颈
具备扎实的软件开发能力，熟练掌握 Python、C++、Java、Go、Rust 等一种或多种编程语言，并具备复杂系统性能分析和问题定位能力
工作职责
研究和应用机器学习、深度学习、统计学习及时间序列方法，对大规模 telemetry、metrics、logs、events 和系统运行数据进行建模，支持异常检测、趋势分析、change-point detection、性能预测、容量预测、故障预测和根因分析
研究面向复杂基础设施的数据科学方法，包括多变量时间序列分析、表征学习、异常模式识别、因果分析及预测建模，并将算法应用于实际的大规模分布式系统
设计和开发面向 AI 工作负载的大规模数据基础设施，支持模型训练、Fine-tuning、Embedding、RAG 和在线推理过程中的数据采集、处理、存储、索引、检索和高吞吐数据供给
研究大规模并发 GPU 环境中的数据处理和数据供给问题，优化 CPU、GPU、内存、存储和网络之间的数据路径，降低 GPU data starvation、I/O bottleneck 和数据移动开销，提高 GPU 集群整体利用率
设计和优化高并发数据处理架构，支持多 GPU、多节点及大规模训练和推理 workload 下的数据预处理、shuffle、batching、prefetch、cache、数据并行和分布式数据访问
设计和优化大规模实时数据处理链路，覆盖数据摄取、消息系统、流式计算、批处理、分析存储和数据服务，提高系统吞吐、延迟、可靠性及资源利用效率
开展 Flink 等分布式流处理系统的设计和性能优化，解决 stateful processing、event time、watermark、checkpoint、backpressure、exactly-once、数据倾斜及故障恢复等问题
设计和优化 Kafka / Flink / ClickHouse 或类似技术体系下的端到端实时数据链路，支持高吞吐数据摄取、实时计算和低延迟分析
研究 ClickHouse 等列式分析系统中的数据组织和查询优化，包括 partitioning、sorting、compression、indexing、materialized view、distributed query 和 high-throughput ingestion
研究 Data Lake、Lakehouse、OLAP 和 Streaming 系统在 AI 工作负载中的协同架构，优化 Parquet、Arrow、Iceberg 等数据格式及存储系统的数据访问效率
参与 GPU / 加速器、CPU、内存、存储、网络、运行时和 AI 框架之间的跨层性能分析，使用 profiling、benchmark 和 production telemetry 定位复杂性能瓶颈
与研究、工程、架构和产品团队合作，将数据科学算法、数据基础设施和系统优化技术转化为 Enterprise AI 和 Personal AI 产品能力
优先资格
具有大规模 telemetry 或 time-series 数据分析经验，并在异常检测、预测分析、根因分析或系统智能诊断方面具有实际项目经验
具有大规模 GPU 集群、分布式训练或推理系统的数据 pipeline、data loader、distributed storage 或高性能数据访问优化经验
具有 Kafka / Flink / ClickHouse 大规模生产环境设计、开发和性能调优经验
具有 Flink runtime、state backend、checkpoint、backpressure 或 distributed state 深入实践经验
具有 ClickHouse MergeTree、partition / order key、materialized view、distributed table、query optimization 或 ingestion tuning 经验
熟悉 CUDA、ROCm、NCCL、RDMA、GPUDirect Storage 或其他 GPU、网络和高性能数据访问相关技术
具有 Vector Search、Embedding Pipeline、RAG 数据处理或大规模非结构化数据平台经验
在 CCF 推荐 A 类会议或期刊发表过机器学习、数据挖掘、数据库、分布式系统、系统或相关领域论文者优先
具有高质量专利、重要开源项目贡献，或相关技术在商业产品和生产环境中产生实际影响者优先
AI 洞察
优缺点分析
优点
- 处于AI与大数据交叉的前沿领域，技术栈极具深度与广度，能接触到大规模GPU集群与分布式系统核心难题
- 能提供海量真实业务场景与算力资源，利于产出高水平技术成果与专利论文
- 技术栈要求极广，需同时精通算法、分布式系统、流处理及底层硬件优化，学习曲线陡峭
- 跨层性能调优与大规模系统故障排查难度大，对系统底层原理的理解要求极高
- 适合具备扎实计算机基础、对底层系统与AI基础设施有浓厚兴趣，且拥有丰富分布式系统实战经验的资深技术专家
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向AI数据基础设施架构师、首席数据科学家或技术专家方向发展
- 在AI与大数据深度融合的领域积累深厚技术壁垒，未来可主导企业级AI平台的核心底层架构演进
- 设计并优化面向AI工作负载的大规模数据基础设施，解决GPU集群环境下的数据供给与性能瓶颈
- 应用机器学习与数据科学方法处理大规模系统运行数据，实现异常检测、趋势分析与故障预测
- 构建并优化基于Kafka、Flink、ClickHouse等技术的实时数据处理链路与分析存储架构
- 扎实的机器学习与深度学习基础，熟悉PyTorch/TensorFlow等框架及时间序列分析
- 精通分布式数据系统（如Flink、Kafka、ClickHouse）及高并发数据处理架构设计
- 具备跨层性能分析能力，理解GPU训练/推理中的数据处理需求及底层硬件交互
申请策略
- 准备1-2个解决过的高并发、低延迟或GPU数据饥饿问题的深度技术案例，体现系统性思考与跨层优化能力
- 突出在大规模分布式数据系统（Flink/Kafka/ClickHouse）的设计与性能调优经验
- 强调在GPU集群数据处理、AI数据Pipeline优化或实时计算链路中的具体落地成果与性能提升指标
- 展示在机器学习算法应用于系统监控、异常检测或时间序列分析方面的实际项目经验
- 深入复习分布式流处理框架（如Flink）的底层状态管理与Checkpoint机制
- 补充学习GPU架构、CUDA编程及高性能数据访问技术（如GPUDirect Storage）
面试指南
- 采用STAR法则，先描述业务背景与面临的性能瓶颈，接着阐述系统架构设计与技术选型，重点突出跨层优化思路（如CPU/GPU/IO协同），最后用具体指标（如吞吐量提升、延迟降低）量化成果
- 在大规模GPU训练环境中，如何解决数据加载导致的GPU饥饿问题？
- 请详细描述Flink中State Backend的设计原理及Checkpoint机制，如何优化大规模状态下的性能？
- ClickHouse在处理高吞吐写入和低延迟查询时，有哪些关键的优化手段？
- 如何设计一个端到端的实时数据链路，支持异常检测与根因分析？
- 深入复习分布式系统、流处理及列式数据库的底层原理，准备实际项目中的性能调优案例
- 了解联想在AI基础设施及企业级AI产品方面的最新技术布局
职位点评
薪资福利80
成长发展90
工作生活50
使命价值75
薪资福利
80较高
职位为高级研究员，要求7年以上经验，薪资处于市场较高水平，且公司提供完善的福利体系。
薪资信号未披露（AI估算：4千–7万/月）
成长发展
90较高
岗位涉及AI与大数据前沿技术，能接触大规模GPU集群与核心底层架构，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈PyTorch、TensorFlow、Flink、Kafka、ClickHouse、CUDA、RDMA、GPUDirect Storage
业务类型profit_center
工作生活
50较低
JD未明确提及工作模式与WLB，但高级研发岗位通常面临一定的技术攻坚压力。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
75中等
赋能企业级与个人AI产品，推动AI技术在基础设施层面的落地，具有较高的行业价值。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
联想 的其他在招职位
相似职位推荐
Watch Jobs