岗位描述
1.负责GPU、CPU、异构计算设备的日常运维、软硬件排障、调优，以及算力服务能力提升、资源利用效率提升，保障算力输出的持续、稳定、高效。 2.负责集群管理和治理，容灾设计、监控告警、版本变更、安全演练等，保障系统高可用和可维护。 3.负责运维运营工作自动化，包括资源管理、变更管理、故障恢复、用户工具接口等。 4.前沿技术创新应用：负责探索LLM Agent在可观测性、自动化运维中落地 应用。 5.AIOps技术深化：AIOps智能运维方向通过融合统计、机器学习和LLM各类算法，实现智能报警、根因定位等；负责主导时序分析、故障诊断、根因关联推断及日志聚类等算法设计。 6.网络及数据安全体系维护，建立数据分级、权限审计、风险监控、事件应急完整闭环管理机制，定期开展自查、培训、演练。