K8S

1.基于 Kubeflow 研发 AI 作业全生命周期产品，包括 MLOps Pipeline 、数据特征工程、制品元数据管理、模型训练及推理功能。 2.基础设施层面 GPU 算力共享、RDMA 拓扑感知、Fluid 对象存储加速、Volcano 多场景调度、AI 作业训练推理性能优化。 3.基于Ray、DeepSpeed分布式训练及推理工程实践实现大模型业务场景私有知识库、智能对话的产品功能。 4.打通 IoT 边缘计算集群 云端 基于 Python Web框架 KubeEdge 开发管理边缘计算节点、应用及设备，边缘路由、AI 模型及数据等功能。 边缘端 基于 Python TensorFlow 开发 AI 应用代码编译发布升级、数据上报、模型训练升级等功能。

搭建k8s云原生底座（containerd + calico） 集成NVIDIA GPU插件，实现训练任务调度 设计开发数据集，基础镜像，算法代码，AI模型，在线训练等平台功能

用户下单到前置仓后，系统会拉拉取当前前置仓需要调度的订单，在线骑手、分拣员数据，依托于智能调度4.0算法，合理的将订单分配给合适的骑手，尽可能有效的提升配送/分拣效率。 技术点： 之前的区域调度策略，限制一个骑手一趟只能带一个区域的订单，在高压下，骑手送不过来；原有的旧策略是基于贪心策略，容易陷入局部最优；基于此开发了V4策略，根据当前站点压力情况，允许骑手一趟带不同区域（强相关区域）的订单，初始方案使用贪心，然后使用大领域搜索优化，搜索过程会考虑当前分配方案的用户等待时长、超时时长、配送时长、聚单距离、区域关联度等因素，提供效率优先/用户体验优先模式供前置仓选择，从而得到一个全局更优的分配方案。