机器学习高级算法工程师
机器学习高级算法工程师
双栏 · 有照片
机器学习运维
个人总结
5年机器学习平台与运维经验，专注Kubernetes上的模型训练与推理服务部署，熟悉GPU资源调度、模型监控与MLOps流水线建设。主导过千卡集群资源利用率优化与推理服务稳定性治理，支撑日均千万级调用。具备扎实的Linux、容器与自动化运维能力，能独立完成从环境搭建到线上保障的全流程。
工作经历
北京智算云科技有限公司
AI平台云计算
北京
机器学习运维工程师
KubernetesMLOps
2022年9月 - 至今
- 负责Kubernetes上GPU训练集群运维，通过分时调度与配额治理将GPU利用率从48%提升至76%。
- 搭建模型推理服务监控体系，覆盖延迟、错误率与资源水位，线上故障平均恢复时间缩短至15分钟内。
- 推动MLOps流水线落地，实现模型训练到上线的自动化发布，版本交付周期由3天缩短至4小时。
上海数联信息技术有限公司
SaaS企业服务
上海
运维开发工程师
Docker自动化运维
2020年7月 - 2022年8月
- 负责容器化业务平台日常运维，基于Prometheus与Grafana建设监控告警，告警准确率提升至90%以上。
- 使用Ansible与Jenkins实现环境部署自动化，单次发布耗时由40分钟降至8分钟。
项目经验
千卡GPU训练集群资源治理 - 项目负责人
2024年3月 - 2024年5月
- 梳理训练任务资源画像，设计优先级队列与抢占策略，减少长尾任务排队时间约60%。
- 引入节点健康检查与自动隔离机制，集群月度非计划中断次数由7次降至1次。
模型推理服务灰度发布平台 - 核心开发
2022年12月 - 2023年2月
- 基于Istio实现推理服务灰度与流量切分，支持按版本快速回滚，发布风险显著降低。
- 上线后支撑20余个模型服务迭代，灰度期间线上事故为零。
技能
Kubernetes
Docker
Prometheus/Grafana
Python
Linux
MLflow
Jenkins
GPU资源调度
Shell
教育背景
北京邮电大学
211双一流
北京
计算机科学与技术 本科
2016年8月 - 2020年5月
主修操作系统、计算机网络、数据库系统；GPA 3.6/4.0，通过CET-6。
证书与认证
CKA（Certified Kubernetes Administrator） - CNCF
2023年5月
证明Kubernetes集群部署、运维与故障排查能力。
阿里云云计算专业认证（ACP） - 阿里云
2022年11月
证明云上计算、存储与网络架构能力。
主要成就
GPU利用率提升
通过调度策略优化，将训练集群GPU平均利用率从48%提升至76%。
稳定性治理
建立推理服务监控与告警体系，线上故障平均恢复时间控制在15分钟内。
交付效率提升
推动MLOps流水线落地，模型版本交付周期由3天缩短至4小时。
就从这份模板开始
模板会复制到你的账户里，每一句话、每个板块和颜色都能改，改好再下载 PDF。