AI平台架构师(J14573)

优缺点分析

角色解读

• 成为AI基础设施领域的专家，主导超大规模算力平台架构设计
• 向技术管理路线发展，带领团队负责智算中心的整体规划与建设
• 横向拓展至MLOps、AI平台产品化等方向，成为技术+产品的复合型人才
• 设计和建设基于Kubernetes的AI算力调度平台，实现GPU/NPU等异构资源的统一管理和弹性调度
• 搭建并优化支持千卡/万卡集群的分布式训练基础设施，包括高性能网络和并行存储
• 构建云原生MLOps体系，覆盖模型开发、训练、部署全流程，并实现算力计量计费、多租户隔离和成本优化
• 负责智算集群的监控告警、故障自愈和性能调优，保障服务高可用性
• 精通Kubernetes架构和Docker/Containerd容器技术，具备大规模集群运维经验
• 熟悉NVIDIA GPU架构、CUDA编程及GPU虚拟化技术，有100+卡集群实战经验
• 掌握高性能网络（RDMA/RoCEv2）和并行文件系统（如Lustre/GPFS）的配置与调优
• 精通Go或C++，熟悉Python脚本，具备系统级编程能力

申请策略

• 研究长江存储的AI业务方向，在面试中结合其半导体制造场景提出算力平台建议
• 准备一个完整的AI平台架构设计方案（从资源调度到MLOps流程），展示系统思维
• 突出GPU集群（100+卡）的实际运维或调度经验，用具体数据和案例说明
• 强调对Kubernetes架构的深入理解，如有开源贡献或二次开发经历更佳
• 展示高性能网络（RDMA/RoCEv2）和并行存储的调优成果，例如提升训练效率的百分比
• 如果熟悉国产算力芯片（如昇腾、寒武纪），务必在简历中突出
• 深入学习Kubernetes调度器原理和自定义调度器开发
• 补充MLOps工具链（如Kubeflow、MLflow、Argo Workflows）的实践经验

面试指南

• 技术问题：先讲原理和选型考虑，再结合实战案例说明遇到的问题和解决方案，最后总结最佳实践
• 设计问题：采用分层架构思路，从资源层、调度层、平台层到业务层逐步阐述，突出关键设计决策
• 故障排查：按“监控告警→日志分析→复现问题→根因定位→修复验证”的步骤回答
• 请描述你参与过的最大的GPU集群规模？如何解决通信瓶颈和资源碎片问题？
• Kubernetes调度器如何实现GPU资源的拓扑感知调度？请讲一下原理和实现
• RDMA和RoCEv2在分布式训练中如何配置和优化？遇到过哪些问题？
• 如何设计一个多租户隔离的MLOps平台？包括资源配额、数据隔离和权限管理
• 如果集群中某个训练任务一直失败，你会如何排查和定位问题？