阿里巴巴是怎么做的？超大规模GPU集群标准化运维能力建设分享
随着机器学习和人工智能技术的不断发展，PAI作为阿里巴巴自研的机器学习平台，承载了越来越多的任务和工作负载。
与此同时，GPU集群作为处理高性能计算和深度学习等任务的核心基础设施，正发挥着越来越重要的作用。在这个背景下，为了确保GPU集群的高效、稳定运行，标准化运维能力建设变得尤为重要。
2023年10月26日-27日，第二十一届 GOPS 全球运维大会 2023 · 上海站即将举行。大会上，来自阿里巴巴机器学习SRE团队负责人李冬堃，将带来《超大规模GPU集群标准化运维能力建设》主题演讲。
如何通过平台化手段构建稳定的服务、可观测性和统一的产品运维底座？让我们看看阿里巴巴是如何做的。
超大规模GPU集群标准化运维能力建设
李冬堃
阿里巴巴
机器学习SRE团队负责人
听众收益 .
1、阿里巴巴机器学习PAI运维工作进化史；
2、超大规模智算集群统一运维底座能力介绍；
3、细化到GPU卡维度可观测体系与稳定性体系设计。
议题简介 .
主要介绍阿里云机器学习PAI产品的基础运维工作中遇到的挑战，以及如何通过平台化手段在服务稳定性、可观测以及产品统一运维底座的建设。
演讲提纲 .
1、团队核心工作介绍
2、细化到GPU卡维度的产品可观测体系与稳定性体系建设
3、由内而外统一机器学习产品运维底座
个人简介 .
目前负责阿里云计算平台机器学习SRE团队，团队负责业务涵盖阿里云机器学习PAI以及阿里云PAI灵骏产品的运维和运维平台开发工作。
精彩议题抢先看（持续更新）
联系我们
商务赞助及合作：
周静：130 7118 2180（微信同号）
任怡：132 6958 7068（微信同号）
门票咨询：
李伟：130 2108 2989（微信同号）
渠道合作：
刘欣：158 0111 5386（微信同号）
王子翰：185 4893 3915（微信同号）
议题申报：
刘杰：156 5212 7323（微信同号）
高婉莹：185 1087 3635（微信同号）
现在报名立享 9 折优惠！
点击阅读原文，访问 GOPS 大会官网
发表评论