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，熟悉主流公有云服务。 3、熟悉AI服务在游戏场景下的部署调优者优先。 4、熟悉分布式存储（CubeFS）、以及大规模数据处理经验者优先。 5、具备GPU资源管理经验优先。
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、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
【岗位职责】： - 参与 Kubernetes 集群的日常维护与管理，包括部署、扩容、升级与故障处理； - 配合开发团队进行平台资源的调度支持，保障业务系统稳定运行； - 运维相关流程与规范的落地实施，执行平台日常变更操作； - 参与监控、日志、告警等系统的配置和使用，支持问题定位； - 协助使用云平台（如阿里云、AWS）核心服务，完成资源配置与变更； - 对已有自动化工具进行使用和简单脚本改进（Shell/Python）。