运维工程师

Job description

职责

• 负责Hadoop大数据集群
• 负责AI软件及算力集群运维，包含GPU训练集群、推理环境部署维护，适配TensorFlow、PyTorch等主流AI框架，处理模型训练中断、环境依赖冲突、算力调度异常、推理服务故障等问题。
• 熟练使用AI工具辅助运维&运维开发，依托大模型完成运维脚本编写、优化、迭代（Shell/Python），实现集群自动化巡检、日志分析、故障筛查、资源清理等自动化能力落地。
• 搭建及维护监控告警体系（Prometheus、Grafana、ELK），梳理运维知识库、标准化故障处理流程，持续优化集群稳定性、提升资源利用率。
• 负责线上大数据、AI业务日常保障、应急响应、问题复盘，持续通过AI赋能优化运维流程，降低人工运维成本、缩短故障处理时长。

任职要求

1、3年以上大数据运维、AI运维相关工作经验，必须具备Hadoop集群完整运维经验，熟悉大数据生态组件部署、调优、排障。 2、有AI软件/AI算力集群运维实战经验，了解AI训练、推理业务流程，熟悉深度学习框架运行环境搭建与问题排查。 3、核心刚需：熟练使用AI大模型辅助运维、辅助开发，能够借助AI快速编写、重构、优化运维脚本，排查疑难故障、分析日志异常，落地运维自动化，不接受只会基础运维、不会AI赋能运维的候选人。 4、熟练掌握Linux操作系统，精通Shell、Python运维脚本开发，熟悉Docker容器基础运维，了解集群高可用架构、资源调度机制。 5、具备独立排障能力、问题复盘意识，工作踏实负责，有良好的学习能力和执行力，能承受线上业务运维压力。 加分项

• 有大数据+AI混合集群运维经验者优先；
• 具备运维自动化平台、自研小工具开发迭代经验者优先；
• 擅长通过AI工具优化运维流程、沉淀自动化方案、提升运维效率者优先