机器学习平台简历范文

• 负责训练平台调度模块研发，基于Kubernetes与Volcano实现GPU分时复用，集群利用率由42%提升至68%。
• 主导模型推理服务化改造，引入Triton与动态批处理，线上P99延迟下降35%，单卡吞吐提升1.8倍。
• 搭建平台监控与告警体系，覆盖200余个训练任务，故障平均定位时间从2小时缩短至20分钟。

• 参与特征平台建设，统一管理3000余个特征，特征复用率提升至60%，模型上线周期缩短一周。
• 开发实验管理与模型版本追踪工具，支撑算法团队每月200余次实验，实验可复现率提升至95%。

• 设计多租户训练任务编排方案，支持优先级抢占与弹性队列，支撑20余个算法团队并发训练。
• 集成分布式训练框架与断点续训能力，千卡规模任务失败重跑率下降50%，训练成本节约约30%。
• 推动平台在集团内推广落地，月均训练任务量从800次增长至3500次。

• 重构模型加载与热更新流程，模型上线耗时从30分钟降至3分钟，支持灰度发布与快速回滚。
• 引入GPU显存池化与量化推理，单机部署模型数量提升2倍，推理资源成本下降25%。

研究方向为分布式机器学习系统，参与实验室GPU集群调度课题。

主修数据结构、操作系统、机器学习导论等课程。