阿里云诚云科技-资深应用运维工程师-计算平台
任职要求
1、3年以上K8S/主流大数据引擎的运维经验，熟悉分布式系统原理及Linux原理，如有AI IaaS&PaaS平台/GPU集群运维开发经验是加分项 2、熟悉Golang/Python/Java至少一门编程语言，有运维平台开发建设经验，如有AIOps智能运维经验是加分项 3、要具备稳定性安全生产落地实战经验，包括高可用架构、可观测性&监控、异常处置、SLA&可用率、节点自愈等 4、有良好沟通及项目推动协作能力，做事严谨仔细、具备较好韧性
工作职责
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
ꔷ 主导疑难问题工单的分析与解决，保障客户核心业务稳定运行； ꔷ 参与客户业务重保（Critical Support）方案设计与执行，提升客户满意度。 用户体验优化与产品改进 ꔷ 从工单中定位产品缺陷，提炼用户需求，提出优化建议； ꔷ 推动产品质量与功能迭代，通过技术改进提升用户体验。 运维平台智能化建设 ꔷ 参与大数据运维平台的产品化及智能化升级，主导售后工具、运维平台的开发与优化； ꔷ 基于历史工单数据、开源社区知识库，结合 MCP、RAG 等大模型技术，构建智能运维体系，提升售后响应效率与问题解决能力。 运维服务体系建设 ꔷ 负责运维服务体系的规划与落地，包括团队生态人员招聘、技能培养及知识沉淀； ꔷ 制定运维能力提升计划，确保团队高效支持复杂场景
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、稳定性保障与体系建设：负责大模型相关核心业务系统的稳定性建设工作，提升业务可用性与可靠性。 2、高并发流量治理：高并发场景下的流量治理方案设计与实施，包括熔断、限流、降级等容灾策略，确保业务弹性与鲁棒性。 3、运维流程优化和自动化：推动运维自动化与平台化建设，提升研发效率。 4、架构高可用建设：业务系统稳定性架构方案的设计与实施，推动高可用架构落地，规避系统性风险。 5、应急响应：负责快速定位并解决生产环境故障，建立故障快速恢复机制，推动长效改进措施落地。