工作内容：
1、负责监控和维护视频AI平台的稳定运行，及时检测和解决潜在问题，并提供紧急响应和故障排除。
2、研究和探索新的技术和工具，如容器化、微服务架构等，以改善系统的可扩展性、可靠性和弹性。
3、应用SRE（Site Reliability Engineering）实践，通过监控、警报和记录等手段，确保计算和调度平台的可靠性、可用性和性能。
4、进行容量规划和性能优化，通过对系统资源的监控和分析，提前预测和处理潜在的性能瓶颈和资源不足问题。
5、设计和实施自动化工作流程和工具，例如自动化部署、升级和配置管理，提高运维效率，并减少人工错误风险。
6、建立和维护监控系统和警报机制，监测系统的健康状况、性能指标和关键指标，并实时响应和解决任何异常情况。
7、提供自动化的响应和故障排除，例如自动化恢复机制、故障注入测试等，保证系统的高可用性和快速恢复能力。
工作要求：
1、具备较强的操作系统（如Linux）和网络基础知识，熟悉常用的服务器管理和网络设备配置。
2、熟悉编程和脚本语言，如Shell、Python等，能够编写和维护自动化脚本和工具。
3、拥有良好的故障排除和问题解决能力，能够通过数据和日志分析，快速定位和解决复杂的系统问题。有敏锐的观察力和强大的应变能力，能够在高压下保持冷静并迅速作出反应
4、具备良好的团队合作能力和沟通能力，能够与不同的团队合作解决问题。
5、具备SRE实践和理念的经验，熟悉常用的SRE工具和框架，如Prometheus、Grafana、ELK等
6、具备自动化运维工作经验，熟悉自动化运维工具和技术，如Ansible、Terraform等。
7、具备良好的编程能力，熟悉至少一种编程语言，如Python、Go等，在自动化工作流程和工具开发方面有相关经验；
8、深入理解分布式系统和云计算基础设施，熟悉容器技术（如Docker、Kubernetes）和微服务架构概念。