岗位职责
- 负责 GPU/异构计算集群的交付、上线、变更和日常运维，保障AI Infra稳定运行。
- 参与 AI 基础设施运维平台建设，推动监控告警、故障诊断、故障自愈和变更管理等能力落地。
- 建立并持续优化 SLI、SLO、SLA 和应急响应机制，参与重大故障处置、复盘及改进闭环。
- 制定集群交付标准和运维规范，通过自动化工具与平台减少重复操作，提升交付效率和资源可用率。
- 协同研发、硬件厂商及内外部合作伙伴推进项目交付，识别并解决项目中的稳定性和效率问题。
- 主动发现系统风险和运维痛点，能够独立分析问题、推动改进并对结果负责。
职位要求
- 3年及以上互联网、云计算或数据中心基础设施运维经验，具有 GPU 集群、AI 训练平台或大规模计算集群经验者优先。
- 熟悉 Linux 操作系统、TCP/IP等基础技术，具备较强的系统、网络和性能问题排查能力；熟悉 Kubernetes、Slurm、LSF 等一种或多种集群调度系统，了解容器运行时、资源调度和任务生命周期管理。
- 了解 GPU、RDMA/RoCE/InfiniBand、高性能存储等 AI 基础设施关键技术，能够定位常见软硬件故障。
- 掌握 Python、Shell、Go 等至少一种编程语言，能够将运维经验沉淀为自动化工具或平台能力。
- 具备技术热情和好奇心，自驱力和学习力强；具备良好的分析与解决问题的能力；具备良好的沟通协作和项目推进能力，能够独立承担中等复杂度项目及跨团队保障任务；积极乐观，坚韧抗压，结果导向，能够持续推动问题的解决和突破。
- 掌握AI基础知识，掌握基础提示词工程，会使用Al专业工具，集成AI到个人工作流；有AI相关开发工具应用研发经验者优先，持有阿里云ACA/ACP/ACE认证证书者优先。
