AI智算运维工程师

优缺点分析

角色解读

• 技术深耕：向AI基础设施架构师或分布式计算专家发展
• 管理方向：晋升为团队技术Leader，带领运维团队
• 行业拓展：转向AI平台产品经理或云计算解决方案架构师
• 部署和维护京东云面向客户的AI基础设施集群，包括GPU集群的操作系统、驱动、CUDA等软件安装
• 制定技术方案并主导落地，根据客户需求规划集群交付流程
• 跟踪GPU和AI基础设施行业动态，引入新技术和产品
• 处理集群硬件故障，优化网络和调度性能
• 精通Linux系统管理及Shell脚本，能独立完成批量自动化运维
• 熟悉x86服务器硬件架构，具备GPU集群实施和故障排查能力
• 了解高速网络（RoCE、IB）和交换机配置，掌握GPU调度工具（Slurm、K8s）
• 具备工程思维和客户服务意识，能有效沟通并解决问题

申请策略

• 关注京东云AI基础设施的产品动态，面试中展示对业务的理解
• 准备一个你主导的集群交付或优化案例，用STAR法则描述
• 突出GPU集群项目的具体规模、技术栈和你的核心贡献
• 强调自动化运维脚本、Linux调优、网络配置等实操案例
• 列出掌握的调度工具（Slurm、K8s）以及国产卡使用经验
• 体现ToB客户服务经验或跨部门协作能力
• 补充学习Kubernetes GPU插件和分布式训练调度
• 深入了解RoCE和IB网络配置及故障排查

面试指南

• 技术问题：先讲原理，再结合实践经验，最后总结优化建议
• 项目经历：按照背景、任务、行动、结果（STAR）结构化叙述
• 故障排查：从现象出发，分层排查（硬件→驱动→网络→调度），并强调文档和复盘
• 请描述一次你大规模部署GPU集群的完整流程和遇到的挑战
• 如何排查GPU节点性能问题？例如显存错误或PCIe链路故障
• 谈谈你对RoCE和IB网络的了解，并举例说明配置注意事项
• 如何使用Kubernetes管理GPU资源？简述Device Plugin原理
• 如果你负责的集群出现客户反馈训练变慢，你的排查思路是什么？