阿里云智能-AI Infra SRE 专家-杭州

1. 01

   负责大规模 GPU/异构计算集群稳定性架构和运维体系设计，对集群可用性、交付效率、资源利用率和运维成本负责。

2. 02

   主导 AI 基础设施运维平台的架构设计与建设，形成覆盖交付、监控、诊断、变更、容量、容灾和故障自愈的工程体系。

3. 03

   建立面向 AI 训练与推理场景的 SLI、SLO、SLA 及稳定性度量体系，推动重大故障治理和系统性风险消除。

4. 04

   主导集群交付标准、运维规范和质量准入机制建设，推动跨地域、跨团队场景下的标准化复制。

5. 05

   牵引复杂项目和重大稳定性专项，协调研发、产品、硬件厂商及合作伙伴解决跨层技术问题。

6. 06

   持续识别架构瓶颈和业务风险，通过技术创新、自动化和平台化手段实现规模化效率提升。

7. 07

   指导团队技术建设和人才成长，沉淀最佳实践并提升团队整体工程能力。

1、5年以上互联网、云计算或大规模基础设施相关经验，具有大型 GPU 集群、AI 训练平台或高性能计算平台建设经验。

2. 02

   深入理解 Linux、分布式系统、计算、网络和存储体系，具备复杂故障的跨层分析及性能优化能力；深入掌握 Kubernetes、Slurm、LSF 等调度系统，理解 GPU 资源调度、拓扑感知、任务容错和大规模集群治理。

3. 03

   熟悉 GPU、RDMA/RoCE/InfiniBand、NCCL、高性能存储等技术，能够分析训练任务稳定性、通信性能及软硬件协同问题。

4. 04

   具备较强的软件工程和平台架构能力，能够主导自动化运维、自愈系统或稳定性平台建设。有成熟的 SRE 体系建设经验，熟悉容量管理、变更管理、应急响应、故障复盘和风险治理。

5. 05

   具备技术热情和好奇心，自驱力和学习力强；具备良好的分析与解决问题的能力；具备良好的沟通协作和项目推进能力，能够独立承担中等复杂度项目及跨团队保障任务；积极乐观，坚韧抗压，结果导向，能够持续推动问题的解决和突破。

6. 06

   掌握AI基础知识，掌握基础提示词工程，会使用Al专业工具，集成AI到个人工作流；有AI相关开发工具应用研发经验者优先，持有阿里云ACA/ACP/ACE认证证书者优先。