阿里云智能-运维专家-云平台运维-杭州/

职位描述： 1）负责阿里云AI人工智能平台（PAI）的运维保障，构建超大规模GPU集群的稳定性支撑体系，涵盖可观测性链路建设、监控告警机制、故障应急响应与处理、SLA可用性指标优化等 2）开发AI方向的运维管控系统，借助自动化手段提升运维效能，实现交付与变更的CICD流程、GPU节点的快速纳管与自愈能力、智能诊断与问题定界等功能 3）推进AIOps智能运维实践，运用AI算法增强系统稳定性能力，覆盖异常行为识别、根因分析以及基于大模型与智能体Agent的运维场景落地 4）主导稳定性架构的技术规划与项目推进，推动基础架构云原生演进、跨AZ容灾设计、产品可维护性架构升级等关键技术实施 职位要求： 1）具备3年以上K8S或主流大数据平台运维经验，掌握分布式系统工作机制及Linux底层原理，有AI IaaS&PaaS平台或GPU集群运维开发背景者优先考虑 2）熟练使用Golang/Python/Java中至少一种编程语言，具备运维平台类系统开发经历，拥有AIOps相关实践经验者更佳 3）具有扎实的生产环境稳定性建设实战能力，熟悉高可用架构设计、监控可观测体系、故障应急流程、SLA与可用率管理、节点级自愈机制等关键环节 4）具备良好的沟通协调能力和项目推动力，工作认真细致，抗压能力强，富有责任心