サイバーエージェント｜ソフトウェアエンジニア / 機械学習基盤の開発〜運用

仕事内容

機械学習基盤である ML Platformの開発から運用を行い、社内のAI技術者やプロダクトの開発効率化、パフォーマンス向上、コスト削減を支援しています。 当社は技術選定が自由なため、プライベートクラウドのML Platformを選択してもらうため、UXや機能を高いレベルで提供することがミッションとなります。 ◼️業務内容 当社の機械学習基盤「ML Platform」の開発・運用を担当していただきます。社内のAI技術者やプロダクトチームが効率的かつ迅速に機械学習モデルの開発・デプロイを行えるよう、プラットフォームの機能強化や最適化を行います。 具体的な業務としては、 ・物理GPUノードのセットアップ（OSインストールやパラメータチューニング） ・Kubernetesクラスタの構築・運用 ・定期的なKubernetesクラスタのバージョンアップデート ・最新のKubernetesバージョンへのキャッチアップなど また、NVIDIA H100 / H200 やRoCEv2/RDMA、NCCLといった大規模計算クラスタの ・技術検証・導入 ・GPUインスタンスの提供 ・機械学習ジョブの管理 ・モデルのデプロイ機能の開発・運用を などを行い、ユーザーのニーズに応じた新機能の追加やUXの改善にも取り組んでいただきます。 サービスは主にKubernetes上で構築されているため、機械学習の知識に加え、Kubernetesカスタムコントローラー（Go言語）の開発など、kubernetesへの深い理解に基づいた学習サービスの開発・運用を担当します。 加えて、Kubeflowなどの機械学習エコシステムの検証・導入・コントリビュートを通じて、基盤の強化と機能拡充を図ります。 ◼️ポジションの魅力 このポジションでは、最先端の技術に挑戦する機会が豊富にあります。最新のGPUハードウェアや機械学習フレームワーク、Kubernetesの新機能など、常に技術の最前線で活躍できます。 ソフトウェア開発からインフラ構築、機械学習の応用まで、多岐にわたる技術領域に携わることで、幅広いスキルを習得・活用することが可能です。 ■部署について 社内のAI開発を支える機械学習基盤「ML Platform」の開発・運用を専門とするチームです。メンバーは各自が高い専門性と幅広い技術知識を持ち、協力しながらプラットフォームの強化と機能拡充を進めています。 ユーザーであるプロダクトチームやAI技術者との密なコミュニケーションを重視し、ニーズに即したサービス提供を心がけています。 ◼️技術スタックと開発環境 ・プログラミング言語 　Go言語 　Python ・プラットフォーム・オーケストレーション 　Kubernetes 　Docker ・機械学習フレームワーク 　TensorFlow ・分散処理技術 　MPI 　NCCL 　RoCEv2/RDMA ・機械学習エコシステム 　Kubeflow 　Kueue 　MPI Operator ・ハードウェア 　NVIDIA GPU（H100など最新モデル） 　高性能ネットワークインフラ ・開発手法 　アジャイル開発 　CI/CDの実践 ・コミュニケーションツール 　Slack 　Confluence 　JIRAなど ・その他の技術要素 　パブリッククラウド（GCP、AWS）の知識活用 　OSSコミュニティとの連携