算法工程师

岗位职责： 1、负责昇腾云计算、网络的创新技术项目研发，完成业界最新技术的探索与产品转化，涵盖新服务孵化，原有服务架构升级，性能优化等多个方面； 2、跟踪洞察业界最新技术发展方向，完成技术分析与原型验证相关工作。 具体方向： 1.网络可靠性研究与优化：深入探索分布式训练环境中的网络架构和协议，提升数据传输的稳定性和效率。 2.训练故障定位与分析：深入分析故障原因，提出并实施有效的解决方案，提高系统的稳定性和可用性，探索大模型、agent、RAG等技术在具体场景下的应用。 3.分布式训练容错机制设计：研究并设计分布式训练中的容错策略，如数据冗余、任务重试等，确保训练任务在故障发生时的连续性。评估和优化现有容错机制的性能，提高系统的恢复能力和容错能力。 4.分布式训练架构优化：深入分析现有分布式训练架构的瓶颈和限制，提出并实施优化方案。探索并应用最新的分布式系统架构设计理念和技术。评估和优化训练任务的资源分配和调度策略，提高资源利用率和训练效率。 5.分布式训练优化技术研究： 探索并应用先进的分布式训练优化算法和技术，如梯度压缩、模型并行化等，提升训练速度和资源利用率。参与分布式训练平台的性能调优工作，持续推动平台性能的提升。

1.计算机科学、软件工程、信息技术等相关专业的本科或研究生在读学生。 2.对人工智能、大数据处理、分布式训练、分布式集群、大模型训练等领域有浓厚兴趣。 3.熟悉计算机网络原理和相关协议，掌握Python、Java等至少一种编程语言，具备良好的编程能力。对分布式系统、并行计算、机器学习、大模型等有一定的理论基础和实践经验。 4.具备良好的问题解决能力和逻辑思维能力，能够独立分析和解决问题。 加分项： 1.有大型分布式系统的演进、异常定位与发现、性能调优、资源优化等相关经验。 2.了解深度学习分布式优化方法，熟悉Ray、Megatron, DeepSpeed、vLLM、MMDeploy等大模型分布式推理框架的优先； 3.熟悉TensorFlow、PyTorch等深度学习框架，以及Kubernetes、Docker等容器化技术。 4.有良好的英语阅读和写作能力，能够熟练查阅英文技术文档和资料。