职位描述
1）承担阿里云AI人工智能平台（PAI）的运维职责，构建超大规模GPU集群的稳定性保障体系，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节点快速交付与自愈能力、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，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）主导稳定性架构设计并推动重点项目实施，包括基础架构向云原生演进、跨可用区高可用架构建设、产品可运维性架构升级等工作

职位要求
1）具备3年以上K8S或主流大数据引擎运维经验，掌握分布式系统原理及Linux底层机制，拥有AIIaaS&PaaS平台或GPU集群运维开发背景者优先

2）熟练使用Golang/Python/Java中至少一门编程语言，有运维平台开发实际经验，具备AIOps智能运维实践经验者更佳

3）具有稳定性生产环境实战经历，熟悉高可用架构设计、可观测性与监控体系、异常事件处置流程、SLA与可用率管理、节点自愈技术等

4）具备良好的沟通能力和项目推动力，工作细致严谨，抗压能力强