AI系统工程师 | 薪资高达$7K | Kaki Bukit | Kubernetes、Linux及GPU集群

岗位介绍

我们正在寻找一名AI基础设施工程师，负责设计、构建和维护高性能AI计算基础设施，包括多GPU集群、高速网络和存储系统。您将使用Kubernetes等工具管理容器化工作负载，并通过自动化工具实现基础设施即代码。该职位需要深入掌握Linux系统管理、GPU架构和高速网络技术，并与AI/ML团队合作优化分布式训练性能。工作地点在Kaki Bukit，5天工作制。

工作内容

• 架构、配置和维护高密度多GPU计算集群（如NVIDIA HGX/DGX）。
• 实施和管理针对AI/ML分布式工作负载优化的容器编排平台（Kubernetes、Slurm或Ray）。
• 监控GPU健康状况、遥测数据、利用率和温度；减少空闲计算时间，防止单节点瓶颈。
• 设计并优化支持分布式训练的低延迟、无损网络架构（InfiniBand、RoCE v2、NVLink、spine-leaf拓扑）。
• 配置和扩展高吞吐量并行文件系统和对象存储（如Lustre、GPFS/IBM Spectrum Scale、Ceph、MinIO、NVMe-oF）。
• 使用Terraform、Ansible、Helm或Pulumi构建和管理自动化部署流水线。
• 维护标准黄金镜像、Linux操作系统调优（内核参数、NUMA节点绑定、GPU驱动、CUDA/cuDNN库）和固件更新。
• 设置端到端监控、告警和指标仪表板（Prometheus、Grafana、DCGM exporter、NVIDIA系统管理接口）。
• 与AI/ML工程团队合作，诊断分布式训练作业中的网络瓶颈、NCCL通信延迟和I/O等待状态。
• 领导关键AI环境的事件响应、根本原因分析（RCA）和灾难恢复计划。

任职要求

• 操作系统：深入掌握Linux系统管理、内核调优和shell脚本（Bash/Python）。
• 加速计算：深入了解GPU硬件架构、CUDA运行时和PCIe/NVLink拓扑。
• 编排与工作负载调度：具有Kubernetes（GPU operator、设备插件）和/或HPC调度器（Slurm、Run:ai、Ray）的实践经验。
• 高速网络：具有RDMA（RoCE v2/InfiniBand）、PFC（优先级流控制）和ECN配置的丰富经验。
• 存储系统：熟悉用于AI数据集和模型检查点的高IOPS、低延迟共享存储架构。
• 自动化：熟练掌握基础设施即代码（Terraform）和配置管理（Ansible）。
• 计算机科学、信息技术、计算机工程或相关领域的学士学位，或同等实践经验。
• 3-6年以上基础设施工程、高性能计算（HPC）、DevOps或云基础设施的实践经验。
• 相关认证者优先（如CKA/CKAD、NVIDIA认证助理/专家、AWS/Azure/GCP解决方案架构师）。