对GPU服务器A100、A800、H100、H800、H200等型号 进行性能监控与故障处理

1、GPU云服务器维护，包括日常报警巡检，集群使用状态记录，处理系统报警；GPU状态检查，定期进行GPU状态检查，是否有ECC报警；GPU使用问题，客户在使用过程中遇到的问题，如驱动兼容性，任务失败原因；环境搭建，为GPU服务器，搭建cuda工具相关依赖，conda虚拟环境等

2,有搭建GPU测试环境的能力，如（GPU burn、Field diag、DCGM）等测试工具，定位GPU问题(如算力异常、ECC、散热问题);
3,负责GPU服务器的安装、调试、上架、故障诊断及更换。 定期检查硬件状态，确保设备稳定运行。 配合供应商处理硬件保修或更换。
4. 执行服务器硬件改配及软件适配，确保兼容性。

5. 与售前，售后团队协作，解决技术问题，。


岗位要求：
1. 计算机/电子工程相关专业,熟悉英伟达GPU架构及CUDA生态
2. 精通GPU服务器拆装、故障诊断，备件管理，熟悉服务器BMC管理。
3. 熟练使用Linux命令Python/Shell脚本开发能力,
4.了解AI/HPC场景者有AI服务器整机及GPU测
试经验更佳;