人工智能基础设施高级站点可靠性工程师
负责 Highrise AI 可扩展 GPU 基础设施的运行，提升多站点部署的可靠性。 管理自动化、网络、计算、存储和事件响应。
描述
- 管理计算、存储和网络资源池，确保满足多租户工作负载的服务级别承诺。
- 规划容量、分析性能并管理基础设施生命周期，包括补丁、升级和固件维护。
- 使用行业标准工具自动化资源配置、配置管理和服务影响缓解工作。
- 在工作时间内及通过共享值班轮班响应服务中断。
- 牵头处理事件并落实措施，防止影响再次发生。
- 编写并维护文档、技术标准和运维手册。
- 作为主题专家和升级支持人员，为运维团队提供培训与支持。
- 担任高级三级事件升级联系人，并协调跨领域事件管理。
- 设计并开展灾难恢复测试。
- 直接与客户合作，支持其使用场景并提升可靠性和性能。
- 根据需要前往数据中心，负责集群调试、验收和复杂故障排查。
- 在常规工作时间之外支持重大事件处理。
任职要求
- 计算机科学、工程或相关专业的大专文凭或大学学位，或同等工作经验。
- 至少五年在全天候运行环境中大规模运维计算、网络和存储基础设施的经验。
- 至少五年生产环境计算技术的实操经验。
- 具备支持 OpenStack 或同类开放云平台的经验，或拥有现代私有云技术栈方面扎实的相关经验。
- 深入了解 VLAN、VXLAN、OSPF、BGP、NSX 或类似 SDN 技术、路由、交换和负载均衡。
- 具备使用脚本或编程语言实现自动化的实操经验。
- 了解基础数据库概念。
- 具备自动化和基础设施即代码工具经验者优先。
- 具备出色的分析和解决问题能力。
- 能够在高压环境中安排优先级并完成工作。
- 具备良好的客户服务意识。
- 具备出色的书面和口头沟通能力。
- 能够在较少监督下有效协作。
- 具有持续改进意识，并主动通过自动化减少运维中的重复性工作。
福利待遇
- 有机会影响大规模 AI 集群的性能、可靠性和生产就绪度。
- 与经验丰富的基础设施工程师共事。
- 参与为不断发展的全球 AI 基础设施平台制定技术标准。
- 与来自不同教育和职业背景的同事协作。
- 有机会设计产品、服务和项目，并向领导团队提出建议。
- 以绩效为导向的工作环境，可向各级同事学习。
- 建立长久的职业人脉。
- 为残障人士提供合理便利。
