乌鸫科技-大模型训练推理技术支持工程师-GOC

1、负责阿里集团业务、大模型训练/推理平台、中间件及基础设施的故障全生命周期管理，覆盖故障预防、发现、响应、复盘闭环，推动稳定性目标与度量体系（SLI/SLO）设计及风险洞察运营。 2、深入大模型训练与推理研发全周期，前置识别稳定性与运维风险；参与训练/推理架构评审（如 PD 分离、KV Cache 管理、多机推理等），推动可观测、容量、容灾及故障隔离能力建设，规范变更三板斧，建立强弱管控机制。 3、作为业务团队协同枢纽，对内联动研发、测试、SRE、产品等角色推进重点目标，对外面向商业化前线 TAM 提供统一技术接口，降低对研发的资源消耗，为重保客户提供稳定性支持。 4、负责双 11、618 等大促及大模型业务高峰期的稳定性保障，参与活动稳定性管理、应急协同及现场护航。 5、负责集团稳定性机制与文化运营，制定并运营故障应急、变更管控、发布审批、应急演练等标准流程，沉淀 FAQ、Runboo…… 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。