系统可靠性工程师

负责设计和实施服务生命周期，从概念到实施，包括系统设计、构建和部署；开发软件解决方案以支持大规模分布式系统，能够处理数百万笔交易和数百万字节的数据；管理容量和性能以帮助扩展全球公共和私有云基础设施；定义和实施与系统架构、部署、指标、运营任务相关的标准和最佳实践；通过监控可用性、系统健康状况和事件响应支持服务；通过自动化、流程优化、事后审查和深入配置分析提高系统性能、应用程序交付和效率；在组织的各个领域进行沟通；排查和监控生产系统以确保最高可用性；支持和改进现有高可用性架构解决方案以及管理运营活动；整合生成式AI（GenAI）和AIOps工具以自动化事件检测、根本原因分析和解决流程（例如自我修复脚本、智能运行簿），减少手动工作并加速响应时间；应用提示工程技术以增强与基于AI的可观测性和自动化平台的交互，提高AI响应的准确性和效率；利用平台特定的AI能力（如AWS Bedrock、Azure OpenAI、GCP Vertex AI）来设计智能SRE解决方案，以适应云环境；设计、实施和维护AI/ML驱动的监控和警报系统，以主动检测异常并预测潜在故障，实现预防性修复；开发和训练机器学习模型，使用操作 telemetry（日志、指标、事件、跟踪）支持预测分析和智能自动化；评估和部署AIOps平台（如Moogsoft、Dynatrace、Splunk、BigPanda、Datadog、Elastic）以提高可观测性，减少噪音并加速事件解决。

精通一种或多种高级编程语言（如Python或Ruby或GoLang），熟悉面向对象编程；具备系统架构、部署、指标、运营任务等相关标准和最佳实践的经验；具备自动化、流程优化、事后审查和深入配置分析的能力；具备AIOps平台（如Moogsoft、Dynatrace、Splunk、BigPanda、Datadog、Elastic）的部署和评估经验；具备生成式AI（GenAI）和AIOps工具的整合经验；具备AI驱动的监控和警报系统的设计和实施经验；具备机器学习模型的开发和训练经验。