AI服务器运维工程师

MLOps平台设计与开发

设计、构建和维护公司核心的机器学习平台，涵盖实验管理、模型训练、版本控制、评估、部署、监控与持续迭代的全链路。

实现模型训练管道（Training Pipeline）和模型服务（Model Serving）的自动化与编排（使用如Kubeflow、MLflow、TFX或自研框架）

构建高效的特征平台，管理离线与在线特征的一致性，支持实时特征计算。

云原生机器学习基础设施

在Kubernetes上构建和管理弹性、可扩展的ML工作负载（如分布式训练任务、模型推理服务）。

优化GPU/NPU等异构计算资源的调度、共享与隔离策略，提升资源利用率。

设计和实现模型的自动化伸缩（Auto-scaling）、金丝雀发布、流量管理和A/B测试框架。

自动化、可观测性与治理

建立端到端的CI/CD管道，实现代码、数据、模型和配置的自动化测试与部署。

构建全面的监控、日志和告警系统，覆盖模型性能（延迟、吞吐量）、数据质量、特征漂移和预测偏差。

实施模型治理与安全最佳实践，包括模型版本化、审计追踪和数据安全。

协作与赋能

与数据科学、算法和产品团队紧密合作，深入理解其工作流痛点，并提供平台化解决方案。

编写高质量的技术文档和工具指南，赋能内部用户高效使用平台。

研究和引入前沿的MLOps工具与实践，推动团队技术演进。

负责大规模Kubernetes/Docker容器化集群的日常运维、容量规划及故障排查，确保高可用性。

通过监控数据分析系统瓶颈，实施资源调度优化策略，提升云资源使用效率，支撑业务绿色节能目标。

设计并落地CI/CD流程，利用Ansible/Terraform等工具实现运维自动化，减少人工干预。

制定并执行系统安全策略（防火墙、入侵检测、数据加密），管理数据备份与灾难恢复演练。

负责Nginx、MySQL、Redis、ClickHouse、Kafka、ELK等核心中间件的部署、调优及版本升级。

学历与经验： - 计算机科学、软件工程或相关专业本科及以上学历。 - 5年以上DevOps/SRE或云基础设施相关经验，其中至少2年专注于MLOps或大规模机器学习系统构建，3年以上专注于K8s/Docker云原生集群管理。 - 有成功搭建和维护面向生产环境的MLOps平台的实际项目经验。

核心技术栈： - 精通容器化：Docker， Kubernetes， 包括其上的ML负载管理经验，深入理解Kubernetes架构体系，具备微服务治理及大规模集群实战经验。 - 精通Nginx、MySQL、Redis、ClickHouse、Kafka、ActiveMQ、MinIO、ELK、Prometheus、Grafana等组件的原理、部署及调优。 - 精通CI/CD工具链：Jenkins, GitLab CI, GitHub Actions, Argo CI/CD等。 - 精通至少一门编程/脚本语言：Python (必需)， Go， Bash。 - 熟悉TCP/IP、DNS、HTTP等网络协议，具备交换机、路由器、防火墙等网络设备的配置与管理能力。 - 熟练使用Zabbix/Nagios进行监控，精通Ansible/Puppet/Chef/Terraform中至少一种自动化运维工具。 - 深刻理解网络安全策略，有防火墙配置、入侵检测、数据加密及灾难恢复计划（DRP）实施经验。

MLOps专项能力： - 深入理解ML生命周期及痛点，熟悉ML工作流工具（如 MLflow, Kubeflow, Airflow, Feast）。 - 有构建和管理高可用、低延迟的在线模型服务（如使用Triton, TorchServe, KServe, TFServing） 的实际经验。 - 熟悉分布式训练框架（如PyTorch DDP, Horovod）在K8s上的部署与调优。

语言与沟通能力： - 出色的系统性解决问题能力和架构设计能力。 - 优秀的跨文化团队协作能力。