岗位职责
- 负责大规模 GPU/异构计算集群稳定性架构和运维体系设计，对集群可用性、交付效率、资源利用率和运维成本负责。
- 主导 AI 基础设施运维平台的架构设计与建设，形成覆盖交付、监控、诊断、变更、容量、容灾和故障自愈的工程体系。
- 建立面向 AI 训练与推理场景的 SLI、SLO、SLA 及稳定性度量体系，推动重大故障治理和系统性风险消除。
- 主导集群交付标准、运维规范和质量准入机制建设，推动跨地域、跨团队场景下的标准化复制。
- 牵引复杂项目和重大稳定性专项，协调研发、产品、硬件厂商及合作伙伴解决跨层技术问题。
- 持续识别架构瓶颈和业务风险，通过技术创新、自动化和平台化手段实现规模化效率提升。
- 指导团队技术建设和人才成长，沉淀最佳实践并提升团队整体工程能力。
职位要求
- 5年以上互联网、云计算或大规模基础设施相关经验，具有大型 GPU 集群、AI 训练平台或高性能计算平台建设经验。
- 深入理解 Linux、分布式系统、计算、网络和存储体系，具备复杂故障的跨层分析及性能优化能力；深入掌握 Kubernetes、Slurm、LSF 等调度系统，理解 GPU 资源调度、拓扑感知、任务容错和大规模集群治理。
- 熟悉 GPU、RDMA/RoCE/InfiniBand、NCCL、高性能存储等技术，能够分析训练任务稳定性、通信性能及软硬件协同问题。
- 具备较强的软件工程和平台架构能力，能够主导自动化运维、自愈系统或稳定性平台建设。有成熟的 SRE 体系建设经验，熟悉容量管理、变更管理、应急响应、故障复盘和风险治理。
- 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。
