阿里云阿里云智能-AI Infra可观测高级研发工程师-上海

作为技术负责人，主导集团 AI 基础设施与稳定性领域核心系统的设计与开发。围绕两大方向展开工作：AIOps 智能运维——建设风险左移、故障事前检测及智能诊断恢复能力；AI 可观测——设计面向 AI 全栈（大模型推理、Agent 编排、RAG 管线、工具调用链路）的可观测体系，让 AI 系统本身"可监控、可调试、可度量"。 1. AI 全栈 Tracing：设计并落地覆盖 LLM 推理、Agent 编排、Tool-use 调用的端到端 Trace 体系，兼容社区开放标准并参与 OpenTelemetry 标准的设计； 2. 质量与安全度量：建设 AI 系统的核心度量体系，包括但不限于 Agent 性能和任务完成率等，驱动 AI 系统的持续质量改进，并建设 AI 场景专属的异常检测与根因归因能力； 3. AIOps 智能运维：基于大模型和 AI Agent 技术，建设覆盖风险左移（存量风险扫描、代码变更结构化分析、依赖拓扑治理）、事前检测（历史故障模式匹配、SOP 完备性推理）、故障诊断与快恢的全链路智能运维能力，打通变更上下文、服务拓扑、容量基线、SOP 知识图谱等多源数据底座，降低 MTTR。

1、理解业务模式与技术架构，制定成本采集方案，执行滚动预测与异动归因分析，识别成本风险并提前预警； 2、监控 GPU 算力、存储、网络等基础设施资源的利用率与水位，持续关注研发提效策略，针对性调整运营手段和优化策略； 3、基于业务发展预期和现有资源水位，制定中长期资源规划方案（容量预测、扩缩容节奏、采购策略）； 4、评估采购需求，统筹云资源、硬件采购方案，从成本、供应稳定性、技术适配性等多维度为架构决策和资源规划提供数据支撑； 5、定期与业务部门、财务、采购等部门对接，评估资源容量需求并进行合理规划； 6、与各部门高频对接，收集使用反馈，持续优化产品体验和数据可视化。

团队介绍 我们致力于打造自动驾驶领域的下一代数据闭环系统。我们正在探索如何利用生成式AI重构物理世界，从海量路测数据中提取高保真、可交互的三维场景，构建大规模世界模型。我们寻找热衷于将前沿三维视觉技术转化为数据生产力的伙伴，共同攻克自动驾驶在复杂场景下的仿真与泛化难题。 负责3D高斯泼溅（3DGS）及前馈式生成模型的训练链路优化，提升训练速度、显存效率与模型稳定性； 设计与实现分布式训练框架，支持大规模三维场景数据的高并发训练与高效迭代； 深入硬件与计算栈，进行GPU算子优化、内存调度与混合精度训练策略的研发； 与三维视觉、自动驾驶仿真团队紧密协作，将优化后的训练系统应用于场景生成、神经渲染、高精地图构建等实际业务； 跟踪学术界与工业界在训练加速、模型压缩、系统架构等方面的最新进展，推动技术落地并形成工程实践。

1、负责视频生成大模型/多模态大模型在最新硬件平台上的训练/推理性能分析与优化，目标达成该硬件平台上的极限性能； 2、负责分析并提升大规模分布式训练系统的集群性能，完成对大规模训练任务故障的根因定位与稳定性提升。