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可用率评估与优化等方面
2）开发AI运维管控系统，借助自动化手段提升运维效率，实现交付与变更的CICD流程、GPU节点的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和智能体Agent的运维场景落地
4）主导稳定性架构的设计与实施，推动相关项目落地执行，涉及基础架构云原生转型、跨AZ高可用方案设计、产品可运维性架构持续演进等工作

职位要求：
1）具备3年以上K8S或主流大数据引擎运维经验，掌握分布式系统运行机制及Linux底层原理，有AIIaaS&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，具有运维平台开发经历，具备AIOps智能运维实践经验者更佳
3）拥有稳定性保障和生产环境实战经验，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，工作态度认真细致，抗压能力强，具备较强的责任心与执行力