IT运维经理
IT运维经理
双栏 · 有照片
人工智能运维主管
个人总结
8年运维与SRE经验，近3年专注AI基础设施与智能运维（AIOps）方向，负责GPU集群、推理服务与监控告警体系的建设。熟悉Kubernetes、Prometheus、大模型推理部署与故障自愈，主导过千卡集群稳定性治理。擅长以数据驱动方式降低MTTR与告警噪声，带领5人团队保障核心业务SLA。
工作经历
杭州云智算科技有限公司
人工智能云计算
杭州
人工智能运维主管
AIOpsGPU集群运维
2022年9月 - 至今
- 负责千卡GPU训练与推理集群运维，通过调度优化与故障自愈将集群可用率从99.2%提升至99.9%。
- 搭建AIOps智能告警平台，告警噪声下降65%，平均故障恢复时间由45分钟缩短至12分钟。
- 带领5人运维团队制定SLA与值班体系，支撑日均千万级推理调用稳定运行。
上海数联科技有限公司
SaaS企业服务
上海
高级运维工程师
Kubernetes监控告警
2020年7月 - 2022年8月
- 负责Kubernetes容器平台建设与维护，支撑200+微服务，发布效率提升50%。
- 主导Prometheus+Grafana监控体系重构，覆盖核心链路，故障定位时间缩短约60%。
- 推动自动化运维脚本与CI/CD落地，重复性人工操作减少约70%。
项目经验
大模型推理服务稳定性治理 - 项目负责人
2024年3月 - 2024年5月
- 针对推理服务显存溢出与长尾延迟问题，设计弹性扩缩容与请求排队策略，P99延迟降低38%。
- 建立模型服务健康度指标体系与自动熔断机制，线上重大故障次数由月均4次降至1次以内。
智能运维告警降噪平台 - 技术负责人
2022年12月 - 2023年2月
- 基于时序异常检测与告警聚合规则，将日均告警量从1.2万条压缩至4200条。
- 打通工单与知识库联动，一线运维处理效率提升约45%。
技能
Kubernetes与容器运维
GPU集群与推理服务运维
Prometheus监控与告警治理
AIOps异常检测与自愈
Python自动化运维
Linux与网络排障
CI/CD与DevOps
云平台（阿里云/腾讯云）
团队管理与SLA治理
证书与认证
阿里云云计算专业认证（ACP） - 阿里云
2023年9月
证明云上架构设计与运维能力。
信息系统项目管理师（软考高级） - 工业和信息化部
2022年5月
证明项目管理与团队协作能力。
教育背景
浙江大学
985211
杭州
计算机科学与技术 本科
2016年8月 - 2020年5月
相关课程：操作系统、计算机网络、数据库系统。
主要成就
集群可用率提升
主导GPU集群稳定性治理，年度可用率由99.2%提升至99.9%。
告警降噪
建设智能告警平台，告警噪声下降65%，显著降低一线负担。
团队建设
组建并带领5人运维团队，建立标准化值班与SLA考核机制。
就从这份模板开始
模板会复制到你的账户里，每一句话、每个板块和颜色都能改，改好再下载 PDF。