阿里云阿里云智能-容器SRE平台AI基础设施运维专家-北京/深圳/杭州
任职要求
1. 5年以上IT、互联网、云计算行业运维工作经验，有AI运维开发相关经验者优先；
2. 熟悉Linux操作系统和TCP/IP等主流协议，有扎实的操作系统和网络问题处理经验；
3. 熟悉容器和kubernetes，slurm，lsf等编排技术，有Kubernetes集群…工作职责
1. 负责灵骏专属云各计算集群交付运维工作, 并且专属云参与基础运维平台架构设计和建设； 2. 灵骏专属云运维服务体系建设与优化，达成产品稳定性与SLA目标； 3. 制定专属云交付标准, 沉淀运维规范, 通过工具平台提效日常工作； 4. 跟进内外部合作伙伴项目, 优化专属云项目流程； 5. 需要具备一定的创新突破和个人自驱力，善于发现问题，思考并解决问题； 6. 该职位涉及值班响应的职责，在服务级别协议（SLA）时间内做出对客响应，推动客户问题的解决，改善客户体验。
1.负责理想汽车软件、芯片研发基础设施的运营管理，保障核心应用的稳定可靠运行，结合业界技术演进迭代基础设施架构，通过规范化、标准化、自动化、智能化等手段不断提升运营效率和服务质量。 2.研发构建核心基础设施工具链，以及相应监控、配置、日志、智能化运营（AIOps）能力建设，制定业务相关的运维技术方案，确保业务高效稳定的运行。 3.负责服务的容量规划和预测，软件的性能分析以及系统调优，软硬件系统的采购与服务部署等。 4.负责高可用和可观测体系建设，制定如全链路监控、故障定位、自动恢复、异地容灾等方案并落地实施，保障业务持续可用。 5.和算法、工程团队协同完成研发基础设施的智能化改造，构建新一代 AI 友好型研发基础设施。 6.负责技术运营（SRE）团队的日常管理，带领团队达成业务建设目标。
1.负责理想汽车软件、芯片研发基础设施的运营管理，保障核心应用的稳定可靠运行，结合业界技术演进迭代基础设施架构，通过规范化、标准化、自动化、智能化等手段不断提升运营效率和服务质量。 2.研发构建核心基础设施工具链，以及相应监控、配置、日志、智能化运营（AIOps）能力建设，制定业务相关的运维技术方案，确保业务高效稳定的运行。 3.负责服务的容量规划和预测，软件的性能分析以及系统调优，软硬件系统的采购与服务部署等。 4.负责高可用和可观测体系建设，制定如全链路监控、故障定位、自动恢复、异地容灾等方案并落地实施，保障业务持续可用。 5.和算法、工程团队协同完成研发基础设施的智能化改造，构建新一代 AI 友好型研发基础设施。
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。
负责AI平台基础设施的可靠性设计、监控告警、容量规划和性能优化 设计并实施平台的高可用性方案，制定灾备预案和故障响应机制 建立和完善AI平台的可观测性体系，包括日志、metrics、链路追踪等 负责自动化运维工具开发，提升平台运维效率和服务质量 分析和解决系统性能瓶颈，优化资源利用率 参与重大故障定位分析，制定改进方案并跟进落地 持续优化SLO指标，确保平台的稳定性和可靠性