岗位职责
- 建设灵骏AI Infra平台核心能力，构建租户灵骏算力空间纳管、租户训练任务部署、租户推理实例部署、监控与自愈等功能，围绕着效率、稳定性、性能三大目标，持续优化客户在灵骏平台上运行AI任务的整体产品体验。
- 建设覆盖AI任务全生命周期的监控大盘与问题处理系统，从管控平面到底层推理引擎实现端到端智能运维能力，通过健康检查、异常告警、自动恢复、根因分析等功能，提升平台稳定性与故障自愈效率。
- 建设异构算力统一管理及资源调度系统，持续智算集群资源利用率、降低计算成本。
- 持续跟踪AI智算、云原生及智能运维领域新技术，结合业务场景进行创新。
- 该职位涉及值班响应的职责，在服务级别协议（SLA）时间内做出对客响应，推动客户问题的解决，改善客户体验。
职位要求
- 拥有5年以上大规模分布式系统设计及研发经验，独立负责过包含多模块的业务子系统，包括接口定义、架构设计及关键分布式问题的技术方案细化等工作。
- 编程基本功扎实，熟悉数据结构和算法，熟练掌握Golang/Java/Python/C++中至少一种开发语言。
- 系统工程能力扎实过硬，线上稳定性意识强，对于复杂的线上系统具备较强的技术敏感度和故障排查经验；有过线上系统监控体系、变更体系/流程设计和研发经验者优先。
- 有AI Infra平台研发经验者优先。
- 业务感觉良好，有具有出色的抽象设计能力，思路清晰，善于思考，能独立分析和解决问题，能够主导并驱动完整的技术产品项目者优先。
- 具备较复杂项目的良好管理能力，有项目负责人或者研发团队接口人经验者优先。
- 团队协作能力良好，有实线或者虚线带人完成技术项目者优先。
