高级集群站点可靠性工程师

Voleon 是一家将最前沿的机器学习技术应用于金融实际问题的科技公司。近二十年来，我们一直在行业前沿，将机器学习应用于投资管理领域，并已发展为管理资产规模达数十亿美元的资产管理公司，同时对未来有着雄心勃勃的目标。

作为一名高级集群站点可靠性工程师（Senior Cluster Site Reliability Engineer, SRE），你将帮助扩展我们的研究计算集群以满足不断增长的需求，并运用工程能力来确保集群具备高可用性、高可靠性和高稳健性。我们的研究集群是研发工作的核心，你将直接负责保持这一关键资源的可用和高性能，为研究人员在大规模上聚焦前沿机器学习问题提供世界级的高性能计算平台。

你将同时支持本地机房和云端基础设施，为公司技术团队提供最佳使用体验。你会利用基础设施即代码（IaC）、自动化和 SRE 原则来打磨和优化这一 7x24 小时运行、支撑 Voleon 业务的产品。

集群运营团队在一线负责实时运营问题的分诊与缓解。你将成为该团队的重要成员，以高度紧迫感解决日常问题，同时从工程角度推进系统性改进和架构性修复，避免问题重复发生。你会与各工程团队协作，改进监控和遥测体系，帮助设计并监督运营框架，确保集群在严格 SLA 约束下稳定运行。

• 【工作职责】
• 在集群故障或问题发生时充当第一响应人，及时分诊并解决紧急问题
• 确保集群保持高可用性（多个 9 的 SLA），并定义和跟踪 SLA 指标以量化可靠性
• 诊断系统性或反复出现的问题模式，与工程团队协作设计和实施精准解决方案
• 制定并完善反映集群健康状况的指标与可观测性体系；在现成方案不足时，构建自定义观测和监控机制
• 帮助软件和研究团队制定公平集群使用策略，并参与开发相关的策略执行与管控机制
• 协助进行集群容量规划与增长预测，参与选择合理的扩容策略；在成本与可用性之间进行运维优化权衡

【薪酬福利信息（节选）】
该岗位在本招聘地点的基础年薪范围为 205,000 美元至 235,000 美元。具体薪资将基于教育背景、工作经验、知识技能和地区等多方面因素综合确定。基础薪酬不包括奖金及其他补充福利。公司福利包括：医疗、牙科和视力保险，寿险及意外伤残（AD&D）保险，20 天带薪休假，9 天病假，以及带公司匹配的 401(k) 退休计划。

公司同时提供“Friends of Voleon” 内推奖励项目，若推荐候选人被成功录用并在职，有机会获得 15,000 美元奖励（具体资格、条款和条件以公司说明为准）。

【平等就业机会】
The Voleon Group 是机会均等雇主，应聘者不会因种族、肤色、宗教或信仰、国籍、年龄、性别、性别身份、婚姻状况、性取向、基因信息、退伍军人身份、公民身份或任何法律禁止的其他因素而受到差别对待。

公司在招聘流程部分环节会使用人工智能（AI）工具辅助工作，这些工具是对招聘团队的支持而非替代，最终录用决定由人作出。如需了解数据处理方式，可联系公司获取更多信息。

• 【任职要求】
• 5 年以上 SRE 或 DevOps 相关工作经验，有高级工程师或技术负责人经验者优先
• 了解 HPC/批处理计算框架（如 Slurm、Kueue、AWS/GCP Batch）和/或机器学习训练系统（如 Kubeflow、MLflow、Horovod）
• 能够使用常见脚本语言（如 Python、Ruby 等）编写中等复杂度的脚本和工具
• 熟悉基础设施即代码和配置管理工具（如 Terraform、Ansible）
• 具备使用云基础设施（AWS 或 GCP）的经验
• 熟悉现代可观测性技术栈的设计与实现（如 Prometheus、Grafana、Loki、ELK、OpenTelemetry 等）
• 有分布式存储技术经验（如 Lustre、Ceph、S3）
• 具备“系统工程师”而非“系统管理员”的思维方式，能够系统性思考并充分利用自动化
• 计算机科学相关专业本科学历

• 【优先条件】
• 有 HPC 框架（如 Slurm、Grid Engine）和基于 Kubernetes 的作业编排系统（如 Airflow、Kueue、Kubeflow Pipelines），以及其他分布式计算框架（如 Ray、Modin、Dask、Spark）的实战经验
• 熟悉主流机器学习框架（如 PyTorch/TensorFlow、JAX、Horovod、DeepSpeed）
• 熟悉混合云 / 本地混合部署环境
• 有容器化经验（如 Docker、Podman、Singularity），特别是在 HPC/批处理计算环境中的应用
• 了解 HPC 网络（如 InfiniBand、RDMA）
• 具备扎实的安全与身份访问管理（IAM）基础（如身份管理系统、AWS/GCP IAM、零信任架构等）

基础年薪范围约为 205,000–235,000 美元（具体视教育、经验、技能和地区等因素而定），不含奖金等其他总报酬形式。福利包括：医疗、牙科和视力保险，寿险及意外伤残保险，20 天带薪年假，9 天病假，以及带公司匹配的 401(k) 退休计划。
公司另有“Friends of Voleon” 内推奖励计划，成功推荐候选人入职并在职可获得最高约 15,000 美元奖励（以公司具体条款为准）。

The Voleon Group 是一家科技驱动的资产管理公司，将最前沿的机器学习技术应用于金融领域的实际问题，专注于将机器学习用于投资管理。公司已发展成为管理资产规模达数十亿美元的资产管理机构，长期在量化投资与机器学习交叉领域处于行业前沿，并持续扩展其研究和技术能力。