网易AI平台开发运维工程师
任职要求
1、3年以上游戏AI业务管理经验，熟悉K8S生态及云原生技术栈（服务网格/监控/日志系统）。 2、具备复杂业务迁移能力（如机房搬迁），擅长跨团队协作，熟悉主流公…
工作职责
1、负责AI服务全生命周期的治理工作，制定AI服务重保方案及部署规范（日志/监控/故障处理/SLA）； 2、参与基础平台多种异构算力加入，涵盖硬件选型、性能压测、云商能力评估等。 3、参与建设AI平台核心能力，包括日志/监控/镜像分发/服务网格等系统，保障重点业务SLA（如游戏AI玩法上线）以及基础算力管理与调度优化。 4、支撑AIGC、游戏AI等核心业务的高效稳定运行。
1、负责阿里云大数据产品，Maxcompute、Hologres、DataWorks等产品运维工作，包括服务稳定性体系建设、资源成本优化与运维效率提升等工作内容； 2、负责大数据运维平台ABM里对应产品运维功能的设计和开发，在运维中台能力之上，用软件工程和AI技术提升运维质量及效率； 3、负责重大技术项目的组织、方案制定及整体协调，如架构改进、大促重保等，保障项目的有效落地并获得技术和业务上的收益价值。
1、使用Python等开发语言及相关框架（如FastAPI、Flask等）参与AI开发者平台的开发与运维； 2、熟悉Docker等容器化技术，完成AI平台的开发、测试与部署工作； 3、理解主流大模型及开源框架的技术原理，为业务场景提供高效、低成本的技术选型方案提供建议； 4、跟踪AI领域（大模型、生成式AI、多模态等）的前沿技术动态，结合公司业务场景探索创新应用方向，参与输出技术可行性分析报告； 5、熟练使用AI开发者平台进行智能体开发、流程自动化及集成，优化模型推理效率与资源消耗，支持业务场景的快速迭代； 6、推动各领域AI应用工程化落地，指导各领域设计并实现安全、高可靠性、高性能、高扩展的AI应用，满足业务需求；
1、负责阿里云AI人工智能平台（PAI）运维工作，建设超大规模GPU集群稳定性体系，包括可观测性链路、监控报警，故障应急及处置、SLA可用率度量提升等 2、研发AI运维管控平台，通过自动化提升运维效率，包括交付&变更CICD、GPU节点交付&自愈、智能诊断定界等 3、落地AIOps智能运维，通过AI算法提升稳定性，包括异常检测、根因定位及基于大模型&智能体Agent运维落地等 4、负责稳定性架构设计及项目组织推动落地，包括基础架构云原生化、跨AZ高可用架构、产品可运维性架构演进等
1、负责阿里云AI人工智能平台（PAI）运维工作，建设超大规模GPU集群稳定性体系，包括可观测性链路、监控报警，故障应急及处置、SLA可用率度量提升等 2、研发AI运维管控平台，通过自动化提升运维效率，包括交付&变更CICD、GPU节点交付&自愈、智能诊断定界等 3、落地AIOps智能运维，通过AI算法提升稳定性，包括异常检测、根因定位及基于大模型&智能体Agent运维落地等 4、负责稳定性架构设计及项目组织推动落地，包括基础架构云原生化、跨AZ高可用架构、产品可运维性架构演进等