H
首席人工智慧基礎架構工程師
負責為 Highrise AI（Hut 8 的 GPU 原生基礎架構平台）建置並最佳化 GPU 叢集。 推動叢集達到正式上線狀態、驗證效能，並提供第三級可靠性支援。
說明
- 將已完成安裝的 AI 叢集投入正式環境，並為客戶交接做好準備。
- 設定並驗證系統基準，涵蓋 BIOS/BMC、韌體、GPU 驅動程式、作業系統和叢集軟體。
- 擴展裸機自動化佈建、映像部署、節點設定和生命週期管理流程。
- 設定並疑難排解 Linux 和 GPU 系統，包括核心、驅動程式、加速器和主機效能設定。
- 與平台、網路和維運團隊合作，整合並驗證 Kubernetes 和 Slurm。
- 執行 NVIDIA Field Diagnostics、L11/L12 驗證、壓力測試、穩定性檢查和硬體健康資格認證。
- 分析 NCCL 通訊測試、GPU 基準測試，以及跨節點、機櫃和叢集的分散式工作負載效能。
- 排除並解決 GPU、NVLink/NVSwitch、PCIe、RDMA、InfiniBand 和乙太網路效能問題。
- 找出設定瓶頸，提升處理量、降低延遲、提高擴充效率和叢集可靠性。
- 管理技術驗收標準、測試紀錄、缺陷追蹤、修正驗證和就緒建議。
- 升級處理並解決涉及運算節點、GPU 軟體、佈建、排程或效能下降的複雜正式環境事故。
- 調查根本原因、協調供應商工程團隊升級處理，並主導矯正措施。
- 支援機群升級、設定變更、叢集擴充，以及維護後的受控驗證。
- 為 SRE、NOC 和現場支援團隊製作診斷工具、自動化方案、作業手冊和維運交接資料。
- 與基礎架構工程、現場營運、OEM、軟體和平台團隊合作，解決跨技術堆疊問題並達成交付里程碑。
- 向工程主管和相關人員回報技術狀態、基準測試結果、風險及驗收建議。
職位要求
- 具備電腦科學、工程或相關領域的學士學位，或同等實務經驗。
- 至少 8 年 Linux 系統工程、HPC、雲端或大型基礎架構的實務經驗，包含資深層級的疑難排解經驗。
- 具備將 GPU 或 HPC 叢集部署至正式環境，並依效能和可靠性目標完成系統資格認證的經驗。
- 精通 Linux、Python/Bash/Ansible 自動化、裸機佈建、設定管理和系統診斷。
- 具備 NVIDIA GPU 平台、NCCL、Field Diagnostics 和多節點效能測試的實務經驗。
- 具備 Kubernetes 和 Slurm 的實務經驗。
- 熟悉高速乙太網路、InfiniBand/RDMA，以及平行或分散式儲存。
- 能夠定位硬體、韌體、作業系統和分散式工作負載之間的複雜問題。
- 具備有條理的測試、文件記錄、根因分析和持續改善方法。
- 能與資深工程師合作，同時獨立做出並執行技術決策。
- 能與工程主管、供應商、現場人員和面向客戶的相關人員清楚溝通。
- 願意前往資料中心進行叢集佈建、驗收和複雜疑難排解。
- 能彈性支援一般工作時間以外的重大事故或維護作業。
福利待遇
- 直接影響大型 AI 叢集的效能、可靠性和正式上線準備。
- 與經驗豐富的基礎架構工程師共事。
- 協助制定持續發展中的全球 AI 基礎架構平台技術標準。
- 與教育和職涯背景多元的同事合作。
- 向高階主管提出新產品、服務和倡議。
- 在以能力為本的環境中向職涯階段各異的團隊成員學習。
- 拓展科技、能源和基礎架構領域的專業人脈。
- 工作安排彈性，可依所在地選擇混合辦公或遠端工作。
