运维管理工程师

1. 负责大模型全流程业务连续性支持，针对大模型训练和推理过程中出现的中断故障进行定界，区分基础层与上层模型问题。
2. 负责大模型训练、推理过程中由于慢卡慢网络问题导致的性能劣化，进行根因分析。
3. 负责典型故障案例的收集和总结。项目运维过程中客户侧需求搜集、分析及反馈。
4. 支撑模型PAE在模型调优过程中发生的故障定位定界。
1. 具有良好的沟通、协调和推动能力，能快速组织各领域解决项目运维过程中遇到的问题，可以快速处理客户投诉并获得客户支持和认可，可与客户高层对接和沟通，参与重大问题攻关并负责解决问题。
2. 具有大模型训练和推理现网问题处理经验，在问题发生时可以快速定界并划分清楚所属领域，可以通过归纳分析总结相关领域问题并推动后端解决；
3. 熟悉Shell脚本（必选），熟悉python语言；
4. 熟悉Linux应用编程，熟悉多进程，多线程编程，熟悉linux下的程序调试方法；；
5. 熟悉Mindspore、Pytorch常用深度学习框架的使用，熟悉Transformer深度学习模型架构，熟悉常用CV类、NLP类等深度学习算法模型。
6. 熟悉训练、推理流程，熟悉模型的参数调优和性能调优。