传音IT-前端开发工程师-AI创新(J18541)

1、负责开发IT统一运维平台、监控报警体系和Devops自动化平台的构建、设计、开发、部署、升级与维护，包括不限于监控告警系统、日志系统、容量管理、CMDB资源管理、配置中心、调度系统、流程系统、IM服务平台等系统开发 2、运维自动化工具开发：基于SRE运维工作，理解需求背景和业务发展，开发自动化工具和平台提升效率； 3、SRE高可用保障：参与故障应急、稳定性优化等工作，并设计系统助力运维能力提升； 4、负责IT成本管理，稳定性建设，日志分析、挖掘问题隐患、配合制作相关预案，项目跟进 5、负责日常应用运维oncall，SRE，包括配置、优化、备份、故障处理等工作 6、关注行业趋势变化和竞品动态，持续完善产品功能； 7、​撰写详细的产品需求文档（PRD）​、原型设计（Wireframe/Mockup），清晰地向团队梳理需求，推进落地。

关于我们： 阿里云 CIO 线致力于打造 AI 时代业界领先的企业 IT 系统，以 RaaS（Result as a Service）模式，通过 IT 系统的构建和应用向客户直接交付成果，帮助客户在 AI 时代获得长期优势。我们视 AI 为新的生产力，并采用全新的软件开发范式来构建产品。生产关系匹配生产力，故我们设计了新的产研组织形式，不同于传统产研团队按岗位分工（PD、设计、前端、后端、测试），在新组织下我们设置了AI产品设计前端工程师（PDFE）。 作为AI产品设计前端工程师（Product Design Frontend Engineer，PDFE），你将构建支持众多客户业务发展的客户端应用。该角色集成了传统产研团队中 PD、UED、前端的职责，基于 AI 软件开发新范式将三者合一，负责产品设计、界面实现和用户体验。从客户需求到产品界面，你将体验效率成倍提升，产品开发从未如此高效。 你将拥有难得的机会，深入了解阿里云的业务及阿里云客户的业务，直接与一线用户合作，了解他们所面临的棘手问题和紧迫挑战，并使用最新的 AI 技术和关键业务数据来解决。无论是“精准分析需求，提升客户体验”，还是“分析业务痛点，让运营更高效”，你都将运用你的技术专长、创造力和解决问题的能力，赋能客户取得业务成果。 ● 我们是一支以成果为核心的企业 IT 产研团队，聚焦将最新的 AI 技术落地到真实业务场景中，服务企业级客户。 ● 我们期待这样的你加入：人聪明，有品味，敢担当，有冲劲，有韧性。 ● 我们希望你有这样的能力：数学思维--抽象能力强；语文表达--写出好的 Prompt；业务升维--对业务的高维认知；系统架构--能设计复杂系统；销售服务--与客户建立信任和影响。 ● 我们想让每位同学都取得最佳成果，成为更好的自己。因此我们重视个人的基模、能力和意愿，而非传统职场资历。 岗位职责： 1. 用户洞察与需求设计：深入客户业务场景，建立对用户痛点的高维认知，通过定性方法和定量指标洞见需求背后的本质问题，对于包括功能性需求、非功能性需求、业务流程和规则，用需求工程规范化地前置厘清需求； 2. 产品设计与原型构建：设计符合业务逻辑的产品架构和交互流程，产出高保真原型，使用结构化描述和智能工具，迭代验证设计方案，确保与需求精准对齐； 3. 前端工程和实现：制定前端开发任务，使用各类 AI IDE 进行高质量的编码施工，与后端以 API First 原则协同，推动高效开发，完成功能验收和上线； 4. 持续优化与创新：基于用户反馈和数据指标持续优化产品体验，探索 AI 技术在产品中的创新应用，沉淀方法论和工具，赋能团队效率提升，对外分享实践，建立个人技术影响力。

-负责部门智能IT服务台的后端系统设计、开发和维护 -参与需求分析、系统设计、编码实现、测试上线等全生命周期的开发流程 -与客户端/前端工程师紧密合作，确保项目高效、稳定交互 -持续优化系统架构和代码质量，提升系统的可扩展性和可维护性 -关注行业技术发展动态，引入新技术解决业务痛点，提升产品竞争力

特斯拉信息技术部门（工作地点：特斯拉上海超级工厂）正在招聘一名全职IT AI Platform 开发工程师，专注于构建和扩展下一代 AIOps与MLOps平台。随着人工智能技术在企业核心系统（尤其是GenAI平台）中的深入应用，亟需一位能够打通AI研发与生产部署之间壁垒的工程专家。该岗位将负责从模型训练、版本管理、自动化部署到高性能推理服务的完整MLOps体系建设，并主导构建支持本地GPU与云端LLM API融合的混合式推理网关平台，以实现低延迟、高吞吐的企业级AI服务能力。推动GenAI平台及未来AI服务落地的关键力量，将显著提升AI功能的交付效率与稳定性。 岗位职责： • 设计、构建和维护可扩展的 MLOps平台，实现AI模型从训练、版本控制、部署到监控的全生命周期管理。 • 基于 vLLM、TensorRT-LLM 、TGI 等框架，在大规模GPU集群上开发并优化大语言模型（LLM）推理流水线。 • 构建融合本地GPU模型与云上LLM API 的混合推理网关平台，实现智能路由、负载均衡与成本性能的优化。 • 搭建自动化 LLM微调（Fine-Tuning）流水线，支持LoRA、QLoRA等参数高效训练方法，涵盖数据预处理、分布式训练与检查点管理。 • 推动 RAG（检索增强生成）能力服务化（RAG-as-a-Service），集成并运维主流向量数据库（如 Pinecone、Milvus、Weaviate）。 • 通过 Prometheus、Grafana、OpenTelemetry 及自研监控方案，保障AI系统的可观测性与稳定性。 • 与AI科学家和应用工程师协作进行模型优化（量化、剪枝、蒸馏），提升推理效率与资源利用率。 • 支持 GenAI CN平台的高性能模型服务需求，确保低延迟、高并发的服务能力。 • 制定AI模型服务的关键性能指标（KPI）与服务等级协议（SLA），量化业务价值与系统表现。 • 使用 GitLab CI、Jenkins、ArgoCD 等工具实现AI工作流的CI/CD自动化，确保可复现性与可审计性。