AI 平台与可靠性工程师

岗位职责
核心职责
1、建设共享平台服务及接口，支持任务、算力和存储资源管理，完善配额控制及资源使用记录。
2、打通代码、模型和运行环境的制品管理，建设持续集成与持续交付流程，维护版本及兼容清单。
3、建设指标、日志和链路关联能力，制定有效告警，定位服务、训练任务及端云链路中的故障。
4、完善灰度发布、回退验证、备份恢复和故障处置流程，为产品发布及问题复盘提供可核验记录。
5、与推理、训练、数据及机器人团队协作，落实最小权限和审计要求，持续提升平台可用性及使用体验。

岗位要求
任职要求
1、在分布式系统、云原生基础设施、后端平台、机器学习平台或 SRE 等方向具备扎实基础，熟练使用 Go、Python、Java 或 C++ 中至少一种语言。
2、深入理解网络、存储、进程、容器、服务治理和分布式系统，能够独立完成生产服务的设计、开发、压测和上线。
3、熟悉 Kubernetes、作业调度、模型仓库、制品管理、CI/CD、服务发现和资源配额中的多项关键技术。
4、能够建立服务等级目标（SLO）、容量模型、监控指标、日志关联和告警规则，独立定位服务故障、资源瓶颈和发布问题。
5、具备灰度发布、回退验证、备份恢复、权限审计、故障演练或成本治理经验，能够用数据验证改进效果。

优先条件：
1、在分布式系统、云原生平台、机器学习平台、可靠性工程、可观测性或资源调度方向具备论文、专利、开源项目或生产系统落地成果。
2、具备 Kubernetes 集群、作业调度、模型仓库或机器学习平台建设经验。
3、具备端云协同、设备版本管理、灰度发布或兼容性验证经验。
4、备容量规划、权限审计、故障演练或可观测性平台建设经验。