中国远洋运输集团
架构设计与项目开发岗-AIOPS智能运维
架构设计与项目开发岗-AIOPS智能运维
发布于 5 个月前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
本科
软件工程
异常检测
时序预测
机器学习
自动化运维
AIOps
PyTorch
TensorFlow
AI 估算 · 25k–40k
岗位要求AI与运维技术深度结合，技能门槛高，市场人才稀缺，且位于一线城市，薪资竞争力强。
职位详情
关于这个职位
这是一个专注于智能运维（AIOps）平台架构设计与开发的技术岗位
你将负责结合大数据和机器学习技术，构建高可用、高性能的运维平台，实现故障预测、自动化运维等功能，以提升运维效率并降低成本
核心工作包括平台开发、数据处理分析以及与运维团队的紧密协作
最低要求
本科及以上学历，计算机科学、软件工程、电子信息等相关专业
具备AI与机器学习技术，能熟练使用Python/R等语言，掌握机器学习经典算法（如回归分析、聚类、决策树）、深度学习框架（TensorFlow/PyTorch）等知识
具备自动化运维能力，熟练使用Shell/Python编写各类运维自动化脚本
掌握Docker/Kubernetes容器化技术，可熟练使用Prometheus+Grafana、Zabbix等工具以及ELK等，构建日志分析和监控体系
具备良好的沟通和理解能力，理解不同运维场景对监控、拨测等方面的需求，能够将应用可用性需求转化为AIOPS设计需求
工作职责
参与智能运维的整体架构设计与规划，结合公司业务需求和技术发展趋势，制定合理的技术方案，确保平台具备高可用性、高性能和可扩展性
负责智能运维平台的开发工作，包括数据采集模块、数据分析模块、告警管理模块、自动化运维模块等功能的编码实现，使用主流的开发框架和工具，保证代码质量和开发效率
与运维团队紧密合作，深入了解运维业务流程，将运维场景和需求转化为具体的功能需求，通过开发实现运维工作的自动化、智能化，提高运维效率，降低运维成本
负责智能运维的数据处理和分析工作，运用大数据技术和机器学习算法，对运维数据进行挖掘和分析，建立运维数据模型，实现故障预测、根因分析等智能化运维功能
监控智能运维平台的运行状态，及时发现和解决平台运行过程中出现的问题，保障平台的稳定运行
定期对平台进行性能优化，提升平台的响应速度和处理能力
参与制定和完善智能运维相关的技术规范、流程和标准，推动团队技术水平的提升
分享技术经验和最佳实践，帮助团队成员共同成长
优先资格
运维场景定制算法：熟悉时序预测（LSTM/Transformer用于性能趋势分析）、异常检测（Isolation Forest/One-Class SVM用于故障预警）、强化学习（自动参数调优）等模型，了解相关模型在不同场景下的落地
AI 洞察
优缺点分析
优点
- 技术前沿：接触AI与运维结合的AIOps前沿领域，技能组合具有高壁垒和长期价值
- 平台优势：在大型跨国企业工作，能接触到复杂的业务系统和海量数据，项目经验含金量高
- 职业发展：岗位横跨开发、算法、运维，知识面广，为成为复合型技术人才奠定坚实基础
- 跨团队协作要求高：需深度理解运维业务并转化为技术需求，对沟通和业务理解能力是考验
- 责任重大：开发的平台直接关系到系统稳定性，需具备高度的责任心和问题排查能力
- 适合对AI技术和系统运维均有浓厚兴趣，具备扎实编程基础和较强学习能力，追求技术深度与广度的工程师
缺点 / 挑战
- 技术复杂度高：需同时精通软件开发、大数据处理和机器学习算法，学习曲线陡峭，持续学习压力大
角色解读
- 技术专家路径：深耕AIOps领域，成为智能运维架构师或算法专家，主导更复杂的技术方案
- 技术管理路径：积累项目经验后，可转向技术经理或团队负责人，负责技术规划和团队建设
- 行业拓展路径：将智能运维经验应用于金融、互联网等其他对系统稳定性要求高的行业
- 负责智能运维平台的架构设计与核心模块开发，将运维需求转化为技术方案并实现
- 运用大数据和机器学习算法处理运维数据，构建模型以实现故障预测、根因分析等智能化功能
- 与运维团队紧密协作，通过开发自动化工具和优化平台性能，持续提升运维效率与系统稳定性
- 扎实的软件工程能力，精通Python开发，熟悉主流开发框架和容器化技术（Docker/K8s）
- 深入的AI/ML知识，需掌握经典机器学习算法、深度学习框架及在运维场景（如时序预测、异常检测）的应用
- 全面的运维技术栈，包括自动化脚本编写、监控告警体系（如Prometheus, ELK）的构建与使用
申请策略
- 提前了解航运或物流行业的业务特点及IT系统架构，思考AIOps在该场景下的应用价值，面试时能展现业务洞察力
- 重点突出与AIOps、自动化运维或机器学习相关的项目经验，详细说明你的技术角色、所用工具和达成的效果（如效率提升百分比）
- 清晰列出核心技能，如Python、Docker/K8s、TensorFlow/PyTorch及具体的运维工具链，并用项目实例佐证
- 若有跨团队（如与运维团队）协作完成项目的经历，应着重描述，以体现沟通与需求转化能力
- 若对时序预测、异常检测等运维场景算法不熟，可针对性学习相关模型原理并通过开源数据集进行实践
- 加强对于CI/CD、监控告警体系（如Prometheus, Grafana）的动手实践，构建完整的知识闭环
面试指南
- 对于项目类问题，采用STAR法则（情境、任务、行动、结果）结构化回答，重点突出技术决策、解决问题的方法和量化成果
- 对于技术方案设计题，先明确需求和约束，再分层阐述（数据采集、处理、模型选型、部署监控），并说明权衡取舍
- 对于故障排查题，展现系统化的思维，从监控指标入手，按应用层、中间件、系统层、网络层等逐层缩小范围，并关联工具使用
- 请介绍一个你参与的、涉及自动化运维或智能监控的项目，你在其中承担的角色和遇到的最大挑战是什么？
- 如何设计一个用于服务器性能指标（如CPU使用率）异常检测的系统？你会选择什么算法，为什么？
- 如果线上服务突然出现响应缓慢，你的排查思路是什么？会用到哪些工具？
- 谈谈你对Kubernetes在运维中价值的理解，以及它与传统部署方式的优劣对比
- 你如何评估一个机器学习模型在运维场景（如故障预测）中的效果？
职位点评
Watch Jobs