牛卓群

联系方式： 564005905@qq.com
Github：https://github.com/gpvi

博客园: GIPV的主页 - 博客园

性别/出生：男 | 2000.12

教育经历

福州大学（211）| 计算机科学与技术本科 | 2020.09-2024.07

证书：CET6 | 荣誉：国家励志奖学金、全国大学生数学建模竞赛福建赛区二等奖
核心课程：机器学习、数据结构与算法、操作系统、分布式系统、计算机网络（贴合AI Infra底层技术基础）

工作经历

深圳虾皮信息科技有限公司 | 后端开发工程师（DataInfra团队） | 2024.08-2025.04 | 深圳

核心职责：负责 API 与 K8s Operator 开发维护、监控系统整合、团队 CI/CD 流水线搭建维护，支撑 K8s 资源管理与核心业务高效交付。

基于公司 K8s 资源管理平台，优化 cluster 工单审批流程，完善全流程操作，通过标准化 API 提升资源交付效率与操作可追溯性。
参与 K8s Operator 开发维护，完成集群标签更新、状态同步，解决集群关机后资源未回收问题，保障资源生命周期管理规范。
基于 Prometheus+Grafana 开发监控模块，使用 Golang 编写指标采集接口，实现 Redis/CPU 等组件实时可观测，故障发现时间缩短 20%。
参与团队核心 API 开发维护，通过健壮编码与异常兜底，支撑服务达成 99.9% SLA 可用性，稳定服务推荐系统等核心业务。
经 SQL 分析与代码审计，优化数据库非必要写入逻辑，减少 10% 无效存储，提升元数据准确性与数据库性能。
协同团队优化 GitLab CI/CD 流水线，改进编译、打包及测试流程，交付效率提升 30%，平均发布周期缩短 2 天。

项目经历

K8s Operator 集群管理工具开发（云原生基础设施）

技术栈：Go、K8s Operator、自动化脚本、DNS管理、Linux
项目简介：开发K8s自定义Operator实现集群全生命周期自动化管理，解决版本迭代引发的集群状态异常问题，为AI服务/模型的K8s集群部署提供可复用的基础设施管理方案。

修复僵尸/孤儿集群问题，编写自动化脚本批量对齐集群状态，保障K8s集群资源高效利用，适配AI训练/推理实例的集群资源弹性管理；
设计toggle-stop流量切换机制，实现服务无感知下线与连接清理，可复用为AI推理服务的流量管理与版本迭代；
开发集群管理标准化API，支撑集群删除、状态查询等核心操作，为AI平台的集群资源调度提供统一接口层。

RedisCluster-Manager 轻量化容器化工具开发（容器化基础设施）

技术栈：Golang、Podman、Redis Cluster、Cobra框架、Podman Network
项目简介：基于Podman容器化开发Redis集群全生命周期自动化管理工具，搭建轻量级容器化测试/运行基础设施，其设计思路可直接复用至AI模型的本地/测试环境容器化部署。

封装Podman容器引擎，实现一键拉起多实例容器集群，设计容器网络隔离策略，为AI模型多实例测试、小批量训练提供容器化基础设施支撑；
基于Cobra框架构建标准化CLI工具，封装核心操作命令，支持自动补全与帮助文档，体现AI Infra工具链的开发与工程化设计能力；
实现集群及关联资源零残留清理，保障测试环境纯净，可复用为AI模型训练/推理的测试环境资源规范化管理。

高性能C++线程池（AI高并发计算支撑组件）

技术栈：C++、STL、Linux、并发编程、面向对象设计
项目简介：为AI场景打造轻量级高性能并发处理基础设施，实现线程资源复用与动态调度，解决AI多线程推理、批量数据预处理的高并发需求，提升AI计算处理效率与响应速度。

封装线程池核心类，支持根据AI推理/数据处理任务量动态调度线程，兼顾处理效率与服务器资源利用率，适配AI计算任务负载波动场景；
基于mutex互斥锁+条件变量实现线程安全控制，保障高并发下任务队列的阻塞/唤醒，支撑AI批量推理的高并发任务处理；
实现线程动态扩缩容与线程安全任务队列，为AI多线程推理、分布式数据预处理提供核心底层组件。

家庭视频AI推理服务（AI模型全链路工程化落地）

技术栈：Python、YOLOv8、PyTorch、ONNX、ONNX Runtime、Flask、Flask-CORS、OpenCV、Linux、CUDA、RTX 4070
项目简介：主导完成目标检测AI模型从算法优化到消费级硬件部署的端到端工程化落地，搭建轻量级AI视频推理服务，实现实时检测、录制、检索一体化能力，验证AI模型在边缘硬件的高性能适配与稳定运行，单帧推理耗时降低40%，模型精准率达0.71，系统支持2小时视频切片存储且7×24小时稳定运行。

算法与数据优化：选型YOLOv8n轻量化模型，替换WIoU损失函数优化锚框回归；手工标注800+长尾样本并完成数据增强，模型 $mAP_{50}$ 达0.6，精准率从0.41提升至0.71，解决家庭小目标识别痛点；
推理性能优化：将PyTorch模型导出为ONNX格式并裁剪冗余节点，基于ONNX Runtime启用TensorRT EP加速，调用CUDA核心优化算子调度，单帧推理耗时从28ms降至17ms，满足实时推理（30FPS）需求；
服务架构开发：基于Flask搭建轻量级Web服务，设计“录制-保存-传输”解耦的多线程架构，通过线程安全队列管理视频帧，实现RTSP视频流解析、推理调用、切片存储全流程，核心响应延迟＜100ms；
工程化部署落地：设计标准化HTTP API体系，通过Flask-CORS解决跨域问题，优化IYUV视频编码避免帧丢失，完成从模型封装到生产级部署的全流程验证，API调用成功率100%；
容错与性能调优：添加日志监控、摄像头3次异常重试机制，优化模型单例加载逻辑减少50%内存占用，视频切片压缩存储降低30%磁盘占用，系统无人工干预稳定运行＞72小时。

新能源发电站时序预测（AI训练数据治理工具链开发）

技术栈：Python、LGBM、XGBoost、netCDF4、Pandas、NumPy、Scikit-learn、Linux
项目简介：针对新能源发电站功率时序预测场景的多源异构数据痛点，基于LGBM/XGBoost构建预测模型，开发一站式AI训练数据治理工具链，实现多源气象数据解析、清洗、特征融合与标准化，数据可用率提升至99.5%，预测准确率较基准模型提升8%。

多源数据解析与清洗：开发netCDF4格式气象数据自动化解析工具，实现多维度网格数据解析与维度压缩；针对缺失值问题，采用“随机生成+业务规则”补全策略（如基于历史同期数据分布随机生成），补全8%的缺失数据，解决数据不完整问题；
特征工程与融合：整合风速、温度、湿度等12类基础特征，构建时间窗统计特征（小时/日均值）、交叉特征（风速×温度）共28维特征集；通过特征融合降维，保留核心特征维度，提升模型训练效率15%；
预测模型构建与验证：对比LGBM/XGBoost模型效果，最终选用LGBM作为核心预测模型，优化学习率、树深度等超参数，模型在测试集上MAE降低至5.2，预测准确率达89%，满足发电站功率预测实际业务需求；
工具链工程化：将数据处理、特征工程、模型训练流程封装为标准化脚本，支持“一站一策”差异化配置，可快速适配不同发电站的数据治理与预测需求，提升AI模型落地效率。

专业能力

云原生AI基础设施开发：精通K8s/Podman容器化技术、K8s Operator开发，能为AI模型提供集群资源管理、容器化部署、弹性调度的云原生底层支撑；
AI模型全链路工程化：熟练掌握YOLOv8模型优化、ONNX跨框架转换、TensorRT/CUDA推理加速，能基于Flask搭建高可用AI推理服务，实现从算法到生产级部署的端到端落地；
AI高并发/高性能计算：精通Golang/C++并发编程，具备线程池、线程安全队列等底层组件开发能力，能支撑AI多线程推理、批量数据预处理的高并发需求；
AI数据基础设施：熟练开发多源异构数据治理工具链，涵盖解析、清洗、缺失值补全、特征融合/工程全流程，精通LGBM/XGBoost时序预测模型构建，为AI模型训练提供高质量数据支撑；
自动化与监控：精通GitLab CI/CD流水线搭建、Prometheus+Grafana监控体系开发，能实现AI工程化交付自动化与AI服务全链路监控预警；
多语言开发能力：熟练使用Golang/C++进行AI Infra底层基础设施开发，使用Python进行AI数据工具链、模型部署适配开发，具备跨语言的AI Infra全栈开发能力。

总结

核心竞争力：以云原生基础设施开发为核心，融合AI模型全链路工程化、高并发组件开发、时序预测数据治理能力，形成“云原生+AI工程化+数据治理”的复合优势，高度匹配AI Infra岗位需求；
项目逻辑：从云原生底层工具（K8s Operator/Redis工具）→AI高并发支撑组件（线程池）→AI模型全链路落地（视频推理服务）→AI数据治理（新能源预测），层层递进体现AI Infra“底层支撑-场景落地-数据保障”的核心能力；
差异化优势：兼具大厂云原生工作经验、AI模型工程化落地实践、时序预测数据治理能力，能同时承接AI Infra岗“模型部署、工具链开发、数据预处理”核心工作。