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

职位角色 特斯拉信息技术部门（工作地点：上海超级工厂）现招聘一名全职 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，尤其是生成式AI（GenAI）平台在企业核心系统中的深入应用，我们亟需一位能够打通 AI研发与生产部署之间壁垒 的工程专家。 您将负责从 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 推理与云端 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。作为 GenAI 平台及未来 AI 服务落地的核心力量，您将显著提升 AI 功能的交付效率与系统稳定性。 设计、构建并维护可扩展的 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、负载均衡与性能成本优化。 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（如量化、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。