岗位描述（节选）
1. 负责百炼大模型推理服务全链路的监控体系建设与应急响应，覆盖模型调用链路追踪、推理时延与吞吐监控、Token消耗与限流观测、GPU资源与卡型、推理引擎运行状态监控等核心场景，针对模型服务的限流、超时、OOM、推理性能退化等典型故障，建立快速定位与恢复机制，保障大模型服务的高可用与稳定输出。
2. 负责推动阿里各业务及百炼大模型的的各类业务的监控覆盖与质量优化，定期开展监控验证保鲜，覆盖阿里电商、中间件、ASI、大模型、基础设施等核心链路，针对监控盲区与未发现的风险/故障，从稳定性角度评估观测可行性，设计并推动落地解决方案，持续提升系统的可观测能力。
3. 负责阿里各集团及百炼大模型线上业务的7×24小时oncall、风险、故障应急响应与协同，包括应急事件判断、故障应急启动、应急处置与恢复、进展同步及应急质量复盘，持续沉淀应急经验与预案，提升应急处置的专业度与效率。
4. 负责阿里核心业……
完整岗位描述与官方投递入口,请登录后在岗位详情页查看。