AI 基础设施 SRE

岗位描述

1. 负责公司核心在线业务的 SLO 体系建设，覆盖应用与基础设施的告警治理、故障自愈、高可用架构，并推进自动化运维，提升运维效率；
2. 负责 GPU 训练与推理集群的稳定性建设，包括自动化运维、监控告警、故障自愈及高可用能力；
3. 负责资源 ROI / FinOps 体系建设，持续提升 GPU、CPU、存储及网络资源的利用率，降低单位算力成本
4. 3 年以上 SRE 或云原生基础设施研发经验；
5. 计算机基础扎实，熟悉操作系统、计算机网络、数据结构与分布式系统原理；
6. 熟悉 Kubernetes、Prometheus、容器技术及 GPU 训练 / 推理技术栈；
7. 熟悉 Li…