乌鸫科技-大模型训练推理技术支持工程师-GOC

优缺点分析

角色解读

• 在技术深度上，可向SRE专家或AI基础设施架构师方向发展
• 在管理上，可晋升为技术主管或团队负责人，带领稳定性保障团队
• 随着AI运维领域的发展，可成为智能运维(AIOps)专家，推动行业创新
• 负责大模型训练/推理平台的稳定性，包括故障预防、发现、响应和复盘，确保系统高可用
• 参与架构评审，推动可观测性、容量、容灾等能力建设，规范变更流程
• 作为协同枢纽，联动研发、SRE等团队，并为商业化客户提供技术支持
• 在大促期间进行稳定性保障，并建设AI故障分析工具，探索智能化运维
• 熟悉Linux操作系统和常用运维工具，具备故障排查和应急响应能力
• 掌握至少一门编程语言（Java/C++/Python），能编写自动化脚本
• 了解大模型训练/推理架构，如PD分离、KV Cache等，有相关运维经验者优先
• 具备良好的沟通能力和跨团队协作能力，能处理多任务并抗压

申请策略

• 了解阿里巴巴的稳定性文化，如双11保障经验
• 在面试中展现对稳定性保障的热情和责任心
• 突出大模型或AI相关运维经验，如训练/推理平台运维、故障处理案例
• 强调稳定性保障成果，如SLO达成率、故障恢复时间等量化指标
• 展示编程能力和自动化工具开发经验
• 体现跨团队协作和项目推动能力
• 学习大模型基础知识，了解训练/推理架构
• 熟悉Kubernetes、Docker等容器化技术，掌握监控告警工具

面试指南

• 使用STAR法则回答行为面试问题，突出你的行动和结果
• 对于技术问题，结合具体案例，展示你的分析和解决思路
• 对于开放性问题，展现你的全局观和创新思维
• 请描述一次你处理过的重大故障，你是如何应对的？
• 如何设计一个系统的稳定性指标体系？
• 你对大模型训练/推理的运维挑战有什么理解？
• 如何推动团队落实变更管控流程？
• 你如何看待AI在故障管理中的应用？