對GPU服務(wù)器A100、A800、H100、H800、H200等型號 進行性能監(jiān)控與故障處理

1、GPU云服務(wù)器維護，包括日常報警巡檢，集群使用狀態(tài)記錄，處理系統(tǒng)報警；GPU狀態(tài)檢查，定期進行GPU狀態(tài)檢查，是否有ECC報警；GPU使用問題，客戶在使用過程中遇到的問題，如驅(qū)動兼容性，任務(wù)失敗原因；環(huán)境搭建，為GPU服務(wù)器，搭建cuda工具相關(guān)依賴，conda虛擬環(huán)境等

2,有搭建GPU測試環(huán)境的能力，如（GPU burn、Field diag、DCGM）等測試工具，定位GPU問題(如算力異常、ECC、散熱問題);
3,負(fù)責(zé)GPU服務(wù)器的安裝、調(diào)試、上架、故障診斷及更換。 定期檢查硬件狀態(tài)，確保設(shè)備穩(wěn)定運行。 配合供應(yīng)商處理硬件保修或更換。
4. 執(zhí)行服務(wù)器硬件改配及軟件適配，確保兼容性。

5. 與售前，售后團隊協(xié)作，解決技術(shù)問題，。


崗位要求：
1. 計算機/電子工程相關(guān)專業(yè),熟悉英偉達GPU架構(gòu)及CUDA生態(tài)
2. 精通GPU服務(wù)器拆裝、故障診斷，備件管理，熟悉服務(wù)器BMC管理。
3. 熟練使用Linux命令Python/Shell腳本開發(fā)能力,
4.了解AI/HPC場景者有AI服務(wù)器整機及GPU測
試經(jīng)驗更佳;