GPU基础设施站点可靠性工程师

设计、部署和维护GPU加速的基础设施；自动化AI工作负载的部署、扩展和故障转移；通过Prometheus、Grafana和分布式追踪监控GPU利用率、内存和作业延迟；解决多集群、多区域环境中的GPU驱动、CUDA运行时和容器编排问题；与ML工程师协作优化作业调度、资源隔离和节点亲和性；定义并执行AI基础设施的SLO/SLI，自动化值班流程并推动故障后复盘。

必须：Kubernetes、Prometheus、Terraform、Ansible、NVIDIA GPU Operator；优先：ArgoCD、Slack/Opsgenie告警、GPU性能分析工具

直接参与全球LLM和HPC工作负载的基础设施建设，与深度技术AI/ML工程师紧密合作，拥有自主权架构和扩展基础设施