渣打银行
AI Ops Engineer
AI Ops Engineer
发布于 大约 3 小时前普通员工/个人贡献者
广州市
中级经验
全职员工
混合式弹性办公
本科
信息技术与基础设施
GPU
PyTorch
TensorFlow
MLOps
LLMOps
CICD
AI 估算 · 25k–40k
外资银行+AI Ops岗位，4-6年经验，广州市场薪资中上，技术栈前沿，薪资竞争力较强。
职位详情
关于这个职位
该职位负责设计、开发和部署AI平台，专注于MLOps与LLMOps流水线、GPU与云平台搭建，以及数据集成
你将与跨职能团队协作，确保AI解决方案的可扩展性、可靠性和效率
适合有4-6年AI Ops或ML Ops经验的技术人才
最低要求
学历：工程学位或同等学历
经验：4-6年AI Ops和ML Ops工程或运营经验，并有交付复杂AI项目的良好记录
技术专长：熟练掌握数据平台（如Databricks）、CICD（如Azure DevOps）、机器学习框架（如TensorFlow、PyTorch）、MLOps工具（如MLflow、Kubeflow）、云平台（如Azure、AWS）和基础设施即代码（如Terraform）
GPU专长：具有GPU计算和优化AI工作负载的实践经验
编程技能：精通Python、Java、C++等编程语言
数据工程：接触过数据工程、集成、ETL和大数据集
解决问题：出色的分析和解决问题的能力，能进行批判性和创造性思考
沟通：较强的人际交往和沟通能力，能在协作团队环境中有效工作
工作职责
负责设计和交付混合AI平台
维护可扩展、高效且可靠的数据和AI流水线
维护Databricks和本地集群上的MLOps和LLMOps流水线
开发和实施AI/ML模型以增强运营和自动化日常任务
监控和分析系统性能，主动识别和解决问题
创建并维护AIOps流程和解决方案的文档
进行根本原因分析并实施纠正措施以防止未来事件
为AI平台设计、实施和维护跨集中可观测性的监控策略
确保AI平台交付和服务满足安全与风险要求及运营SLA
与数据科学家、数据工程师和中央数据治理团队合作，协调标准化数据策略
与其他团队合作，将AIOps解决方案集成到现有服务（ServiceNow、Elk等）中
与技术及架构团队交叉协作，遵循最佳实践和标准
进行代码审查，降低技术债务，避免意大利面条式代码
紧跟人工智能领域的行业趋势和研究
与内部和外部利益相关者建立并维护牢固的关系
AI 洞察
优缺点分析
优点
- 跨国银行平台，技术栈前沿（MLOps、GPU、云平台），技能积累价值高
- 工作灵活（混合办公），福利完善（退休储蓄、医疗、保险、休假）
- 注重学习文化，提供持续学习和技能提升机会
- 参与核心AI平台建设，行业前景广阔
- 需要同时掌握MLOps、LLMOps、云平台和GPU优化，技术广度要求高
- 适合有4-6年经验、希望深耕AI基础设施领域、追求稳定平台与灵活工作方式的工程师
缺点 / 挑战
- 银行环境对合规和风险控制要求严格，工作流程可能较繁琐
- 跨团队协作频繁，沟通成本较高
角色解读
- 可向AI平台架构师或技术专家方向发展，主导更大规模平台设计
- 有机会转型为数据科学家或机器学习工程师，深入算法领域
- 在金融机构积累合规与风控经验，未来可晋升为技术管理者
- 设计并交付混合AI平台，整合云端与本地资源
- 维护MLOps/LLMOps流水线，包括模型训练、部署和监控
- 与数据科学家和工程师协作，推动标准化数据策略
- 管理GPU计算资源，优化AI工作负载性能
- 扎实的AI平台开发经验，熟悉MLOps工具链（MLflow、Kubeflow）
- 精通Python、Java或C++，掌握至少一个深度学习框架
- 具备GPU计算和优化经验，了解基础设施即代码（Terraform）
- 良好的沟通能力和跨团队协作精神
申请策略
- 提前了解渣打银行的技术文化和数字化转型方向，在面试中展现对银行AI应用的兴趣
- 准备一个完整的AI/ML项目案例，从数据准备到部署监控的全流程
- 突出AI平台或MLOps项目的实际交付经验，特别是使用Databricks、Azure DevOps等工具
- 强调GPU优化和性能调优的具体案例，展示量化成果
- 列出与数据科学家或跨团队协作的经历，体现沟通能力
- 如有金融或合规相关项目经验，格外加分
- 补充LLMOps相关知识，如LangChain、向量数据库等
- 强化基础设施即代码技能，尤其是Terraform和Kubernetes
面试指南
- 采用STAR法则（情境、任务、行动、结果）回答行为问题
- 对于技术问题，先明确问题范围，再分步骤阐述方案，最后总结关键点
- 展示你对合规和安全的理解，强调在银行环境中的责任意识
- 请描述你设计过的一个AI平台架构，包括技术选型和挑战
- 如何优化GPU利用率？分享一个具体案例
- 你如何维护MLOps流水线？遇到模型部署失败怎么处理？
- 在跨团队协作中，如何推动标准化数据策略？
- 解释一下LLMOps与传统MLOps的主要区别
匹配度报告
79
综合匹配度
稳定外企、薪资福利优厚、前沿AI技术栈，WLB良好但晋升路径待明确。
适合人群
最适合理财需求稳定、注重技能成长和灵活工作方式的求职者。
最强匹配
薪资福利匹配
最弱匹配
使命价值匹配
薪资福利85
成长发展82
工作生活78
使命价值70
薪资福利匹配
85较高
薪资处于广州市场中上水平，福利完善（退休储蓄、医疗保险、带薪休假），补偿性动机得到较好满足。
薪资信号偏高 (25K-40K/月)
福利待遇Core bank funding for retirement savings, medical and life insurance、Time-off including annual leave, parental/maternity (20 weeks), sabbatical (12 months maximum) and volunteering leave (3 days)、Flexible working options、Proactive wellbeing support through Unmind、A continuous learning culture
成长发展匹配
82较高
职位涉及前沿AI技术（MLOps、GPU优化），提供持续学习的机会，但晋升路径不够明确。
技术前沿前沿/新兴技术
技术栈MLOps、LLMOps、GPU、Databricks、Azure、TensorFlow、PyTorch、Terraform
成长机会A continuous learning culture to support your growth、opportunities to reskill and upskill
业务类型ambiguous
工作生活匹配
78中等
混合办公模式提供灵活性，但未明确说明远程天数，整体WLB较好但仍需关注加班文化。
工作模式混合式弹性办公
办公地点市区核心地段
加班情况未提及（无法判断）
工作生活平衡Flexible working options、volunteering leave、wellbeing support
使命价值匹配
70中等
银行业对社会经济有积极影响，但职位本身偏技术支撑，使命感中等。
行业发展稳定成熟行业
社会影响中性/一般
使命信号drive commerce and prosperity through our unique diversity、be here for good
创新程度积极采用新技术
Watch Jobs