岗位工作概述：
1、组织统筹各专业主管工程师，编制本数据中心的IT质量管理体系技术文档，包括IT设施 MOP 、 SOP 、 EOP ；
2、组织落实IT质量管理制度及流程，存档各种形式的设备资料、图纸、培训文档、运维记录等；
3、组织带领各专业主管工程师，定期开展风险及缺陷的识别与评估活动；
4、硬件监控与维护：GPU集群安装与维护，管理BMC + IPMI硬件报警系统，建立和维护硬件告警工单体系。负责机器内硬件固件的升级维护、问题定位，进行硬件/BIOS性能调优。监控和维护RDMA网络/交换机，调整水线，进行故障定位。 软件运维：负责监控、日志、存储、工单系统组件的搭建及运维管理；
5、IDC管理：负责IDC的备件库存管理，确保7*24小时oncall响应，处理机房问题（如断电、温度过高等），协调厂商上门升级服务，对故障机器组件（如网卡、主板、光模块、线缆）进行更换和维修。
任职要求
工作经验：
1、有带领团队维护大型GPU服务器集群三年以上工作经验；
2、有大规模智算集群早期或中期搭建运维经历，全链路细节经验丰富。
教育水平要求：本科及以上学历，有IT网络相关专业毕业。
岗位技能要求：
1、熟悉任职岗位及下属岗位的各项业务及运作流程；
2、熟悉行业标准及规章制度；
3、具有较强的管理能力和领导水平；
4、能够依照运维体系中的各项要求完成、指导相关工作；
5、具备较强的计划、组织、领导、协调、控制、督导能力；
6、有较高的职业素质、责任感，良好的管理理念、服务意识、应急处理能力，为人热忱有礼，工作仔细认真。
工作技能要求：
1、取得国家及相关设备厂商专业机构颁发的行业许可证；
2、有带领团队维护大型GPU服务器集群三年以上工作经验；
3、有大规模智算集群早期或中期搭建运维经历，全链路细节经验丰富；
4、有强大的问题协调解决和应急处理能力。
5、能出色的带领团队完成工作任务，具备娴熟的沟通技巧能够和各业务方进行无障碍沟通。
6、具备持续学习新技术的热情和能力，具有英文读写各种指令和一定的英文口语能力。