阿里云阿里云智能-容器服务AI基础设施研发专家-AI领域-杭州
任职要求
1.计算机科学、软件工程及相关专业，精通Golang/Java/Python至少一种语言以及相关技术生态，熟练掌握性能调优和高并发编程，具备良好的编码习惯； 2.熟悉至少一项云原生技术（如Docker/Containerd/KataContainer/gVisor, Kubernetes等），有相关开源项目贡献或者大规模开发运维经验者优先； 3.具备大规模分布式系统…
工作职责
1.负责阿里云容器平台在AI基础设施与应用架构方向的产品研发与技术演进； 2.主导大规模异构资源（GPU/NPU/RDMA等）集群的调度、管理与性能优化，提升资源利用效率、系统稳定性与运行性能； 3.设计并开发面向AI Agent场景的Serverless容器算力产品； 4.推动云原生AI领域前沿技术预研、落地及开源生态建设，持续引领技术创新与行业实践。
随着通用人工智能技术的快速发展，GPU算力的需求持续飙升，加入阿里云人工智能平台，您将有机会运用卓越工程理念并实践，构建支撑智算中心的工程底座，为AI智算平台的稳定运行保驾护航： 1. 基于先进的云原生技术和devops理念，系统化分析、设计和解决阿里云PAI团队研发过程中的效率质量问题。 2. CI/CD：基于效能领域先进的GitOps理念，建设一流的CI/CD平台，提升研发体验和效率；沉淀易用、高效、可复用的平台工具，整体提升云产品持续交付的效率。 3. 测试环境维护：使用k8s/docker/golang等云原生技术，建设稳定、高效、易维护的多架构容器化测试环境，提升测试效率。 4. 异常巡检能力：搭建自动化巡检、异常检测与告警联动系统，对预发和线上环境的训练任务、推理服务、平台组件异常进行持续健康监测。
1、与内外部客户以及销售、解决方案架构师密切合作，收集客户需求和反馈； 2、与研发团队一起明确和优先考虑产品需求，并相应地设计产品功能； 3、定义产品上市策略，包括目标客户画像和产品定位定价以及运营策略； 4、定义产品目标和核心商业指标，并持续跟踪这些指标以进行产品增强； 5、管理和维护产品路标，并能够清晰地向客户阐述每个功能的价值； 6、进行市场分析，跟踪行业技术趋势，制定产品的远期规划。
阿里云PAI团队致力于打造业界一流的一站式AI工程化平台，拥有万卡级训练能力与超大规模异构资源调度技术，为复杂模型训练与推理任务构建坚实基座。PAI平台不仅是通义大模型研发与落地的核心基础设施，也作为公共云服务的关键载体，支撑众多行企业构建大模型核心业务。平台提供从数据标注、预处理、模型训练、推理服务到开发环境与工作流调度的全链路工程支持，全面覆盖AI项目从实验探索到规模化落地的完整价值链。作为平台研发工程师，您将深度参与以下工作： 1. 负责大规模异构资源管理与模型训练服务的全流程开发，包括需求分析、架构设计、软件开发、质量保障与部署上线。 2. 持续开展系统模块的深度剖析与迭代优化，提升资源利用效率、任务成功率与启动速度，降低使用门槛，增强产品满意度与客户粘性。 3. 负责平台线上环境的实时监控、故障定位与性能调优，为客户提供及时的专业技术支持，保障平台服务的高可用与高稳定运行。 4. 紧密追踪大模型、AIGC等前沿技术趋势，洞察并提炼高价值用户需求，推动平台功能持续演进与技术架构升级。
我们正在寻找具备深厚技术功底、前瞻性视野和丰富实战经验的DevOps平台工程专家，加入我们致力于构建智能化研发基础设施的核心团队。在这里，你将主导下一代AI驱动的Devops平台与智能运维系统的设计与落地，推动软件研发流程向自动化、可观测性、自愈能力和数据驱动决策全面进化。 作为团队的技术骨干，你将： 1. 设计打造企业级智能化运维（AIOps）体系 基于Python、Go等语言，构建自动化运维工具链与平台化能力，实现基础设施即代码（IaC）；引入异常检测、根因分析、故障传播图谱等AI算法，提升系统可观测性与故障响应速度，推动运维从“被动响应”向“主动预防”转变。 2. 构建全链路智能监控与自愈系统 设计并落地覆盖应用、服务、资源的端到端监控体系，集成Prometheus、Grafana、ELK、OpenTelemetry等主流技术栈；结合时序预测（LSTM、Prophet）、无监督异常检测（Isolation Forest、One-Class SVM）等模型，实现性能瓶颈预警、自动诊断与部分场景的闭环自愈。 3. 推动MLOps与DevOps深度融合 主导机器学习模型训练流水线（ML Pipeline）与模型服务化（Model Serving）平台建设，设计模型版本管理、A/B测试、流量灰度、监控告警与快速回滚机制，支撑AI能力高效、稳定地规模化落地。