資深 AI 訓練基礎設施工程師
負責在新一代雲端平台上，為大規模 AI 模型領導分散式 GPU 訓練基礎設施。提升訓練系統的可靠性、效率、容錯能力與生產就緒度。
說明
- 在大規模 GPU 叢集上建置並擴展大型 AI 模型的分散式訓練基礎設施
- 建立並改進提升訓練可靠性、效率與資源利用率的系統
- 開發用於檢查點、復原與大規模訓練作業的容錯解決方案
- 與平台、編排及效能工程團隊合作，將 AI 模型整合至正式環境訓練管線
- 調查並解決影響訓練吞吐量、穩定性、可靠性與成本效率的問題
- 開發工具與自動化方案，提升 AI 研究人員與工程師的使用體驗
- 制定訓練基礎設施、營運工作流程與平台可靠性的最佳實務
- 作為工程團隊的早期成員，協助塑造 AI 基礎設施平台
- 與基礎設施、編排、效能及機器學習團隊合作
職位要求
- 具備建置及營運分散式訓練系統或大規模機器學習基礎設施的實務經驗
- 具備支援大型 AI 模型、基礎模型、後訓練工作流程或同類機器學習系統的經驗
- 深入了解多節點 GPU 訓練在可靠性、可擴展性與效率方面的挑戰
- 具備將訓練系統連接至正式環境機器學習管線的經驗
- 具備出色的程式設計能力，以及複雜分散式系統的工作經驗
- 能夠獨立負責技術要求高的專案
- 能適應較大的責任範圍與較少的流程限制
- 優先考慮：具備 PyTorch Distributed、DeepSpeed、Megatron-LM、Ray 或類似技術的經驗
- 優先考慮：具備監督式微調（SFT）、基於人類回饋的強化學習（RLHF）或其他後訓練工作流程的經驗
- 優先考慮：具備在超大規模雲端服務商、AI 研究機構、雲端服務供應商或 GPU 雲端環境中大規模營運 AI 訓練基礎設施的經驗
- 優先考慮：具備最佳化 GPU 利用率、訓練效能或分散式系統可靠性的經驗
- 優先考慮：熟悉 Kubernetes、容器化 AI 工作負載與大規模基礎設施平台
- 需要具備美國工作授權
- 目前不提供簽證贊助
福利待遇
- 部分職位符合績效加薪資格
- 部分職位符合年度獎金資格
- 部分職位提供長期獎勵
- 為美國員工提供醫療保險
- 為美國員工提供牙科保險
- 為美國員工提供視力保險
- 401(k) 計畫
- 公司提供 401(k) 配對提撥
- 每個曆年均享有帶薪假日