云可靠性算法工程师

杭州、

深圳、

上海、

成都、

北京

负责云可靠性相关前沿技术探索和关键技术突破，确保云计算系统在复杂的软硬件环境中保持高度可靠性和可用性，在以下一个或者多个领域开展研究和落地：

1、AI系统可靠性：围绕构建高性能、高可靠性的AI集群基础设施方向，进行算法、系统、产品等探索研究，通过训练状态保存与快速恢复，容错训练等技术突破，确保大规模AI计算任务的持续稳定运行。

2、硬件故障智能化管理：利用机器学习技术从海量的云基础设施监测数据中挖掘故障模式，实现对内存、硬盘、电池等关键硬件故障的预警、诊断与恢复，推进数据中心硬件故障的智能化管理；

3、亚健康管理：基于亚健康检测与恢复，根因分析与可解释AI、亚健康故障注入等技术，构建智能化的云计算亚健康治理体系，实现全面感知、自动诊断和快速修复。

4、静默错误：针对云场景下的静默数据错误，通过在线测试用例编排调度、智能定界定位等技术，确保数据在全生命周期中的安全与完整性；

5、形式化验证：利用形式化方法对云系统的设计和实现进行深入分析和验证，确保系统行为的正确性和安全性；

1、计算机科学、软件工程、人工智能、大数据、工业工程等相关专业；

2、熟悉深度学习、强化学习、自然语言处理等AI背景知识，有大模型项目经验者优先；

3、精通但不限于Python/C++/Java等编程语言中一种或多种，熟练使用TensorFlow、PyTorch等机器学习框架；

4、了解云计算系统架构及其故障模型，在可靠性算法、形式化方法、机器学习等领域有扎实的理论基础，在国内外知名学术会议和期刊发表过相关领域的研究成果；

4、参与或主导过云计算系统可靠性研究和开发的实际项目，具有形式化验证、静默错误、内存硬盘等硬件故障预测、亚健康检测等领域实践研究经验者优先。

云可靠性系统架构师

杭州、

深圳、

上海、

成都、

北京

负责云可靠性系统架构和关键能力组件的设计与开发，确保云计算关键基础设施和AI系统的高可靠运行，在以下一个或者多个领域开展研究和落地：

1、云可靠性系统设计：负责跨云服务的通用计算关键可靠性能力创新设计和开发，如爆炸半径控制、负载均衡等；

2、AI系统可靠性：负责AI系统的可靠性架构设计和开发，针对大模型训练和推理，采用可靠性设计、故障注入和测试、快速恢复等关键技术，确保AI集群训练与推理稳定可靠。

1、计算机科学、软件工程、人工智能、工业工程等相关专业；

2、精通Python/C++/Java等一种或多种编程语言，熟悉Linux操作系统及常用工具，对云计算平台有一定了解；

3、熟悉可靠性建模、故障注入、异常检测等可靠性工程技术；

4、参与或主导过云计算系统可靠性研究和开发的实际项目经验者优先。