FourKites, Inc. udvikler en global platform til synlighed i forsyningskæden, som hjælper organisationer med at overvåge og koordinere logistik i realtid. Virksomhedens applikationer samler data fra transport-, lager- og gårddrift, hvilket giver teams et tydeligere overblik over forsendelser og aktiviteter i forsyningskæden på tværs af flere transportformer. Virksomheden betjener mere end 1.500 førende brands, herunder virksomheder inden for logistik, fødevarer og drikkevarer, medicinalindustrien og produktion, og integreres med virksomhedssystemer for at understøtte mere effektiv drift, omkostningskontrol og kundeservice.
Hovedarkitekt for AI-agenter og agentsystemer
Led arkitekturen for FourKites’ AI-agenter, fra modeller og konteksthåndtering til evaluering. Byg platformen bag AI-drevne digitale medarbejdere i forsyningskæden.
Beskrivelse
- Have ansvar for arkitekturen for FourKites’ AI-agenter, herunder eksekvering, kontekst, modeller og evaluering.
- Fastlægge referencearkitekturen for agentloops, værktøjsbrug, tilstand, checkpoints, genforsøg, genopretning, sikkerhedsforanstaltninger, tilladelser og overdragelser til mennesker.
- Designe robuste arbejdsgange i flere trin, der går på tværs af kontekstvinduer og håndterer fejl i værktøjer, transportørers API’er og modeller.
- Vælge den rette tilgang til hvert problem, fra avancerede modeller og modeller med åbne vægte til finjusterede encodere eller traditionel kode.
- Administrere modelrouting, omkostninger pr. opgave og latenstidsmål på tværs af agentflåden.
- Forbinde agenter med Kafka, mikrotjenester, Postgres, kunde-API’er og MCP-servere.
- Definere standarder for kontekstvinduer til prompts, værktøjer, hentet indhold, hukommelse og tidligere ture inden for tokenbegrænsninger.
- Skabe fælles værktøjer til informationssøgning, kontekstkomprimering, opsummering, isolering af underagenter, promptcaching og vedvarende hukommelse.
- Undersøge kontekstfejl og omsætte løsninger til genanvendelige eksekveringsmønstre.
- Udvikle offlineevalueringssystemer med produktionsspor, kodebaserede kontroller, kalibreret bedømmelse med LLM som dommer og CI-regressionstestsuiter.
- Udvikle onlineevaluering med produktionsscoring, kvalitetsmålinger, driftsovervågning, shadow- og A/B-udrulninger, feedbacksignaler og kvalitetsalarmer.
- Knytte evalueringsmålinger til resultater som sporingsnøjagtighed, automatisk håndtering af undtagelser og udfyldningsgrad for aftaler.
- Gennemgå design og pull requests, dokumentere arkitektur og driftsvejledninger samt vejlede erfarne og senioringeniører.
- Følge udviklingen inden for modeller og værktøjer, gennemføre eksperimenter og anbefale, om vi skal bygge, købe eller vente.
- Samarbejde med Product, Solutions og Customer Success om at omsætte problemer fra kunder og drift til platformforbedringer.
Krav
- Have designet og drevet et LLM-agentsystem til rigtige brugere og produktionstrafik, herunder værktøjskald, arbejdsgange i flere trin, fejlhåndtering og eskalering til mennesker.
- Have haft ansvaret for et LLM-agentsystem efter lanceringen og håndteret hændelser, omkostninger og latenstid.
- Have indgående viden om maskinlæring, herunder attention, positionskodninger, encoder- og decoderarkitekturer, tokenisering og KV-caches.
- Have trænet eller finjusteret encodermodeller, såsom modeller i BERT-familien, sætningsindlejringer, bi-encodere og cross-encoder-rerankere.
- Forstå kontrastiv træning, destillering og kvantisering.
- Have administreret tokenbudgetter og bygget informationssøgning og hukommelse til agenter.
- Have brugt kontekstkomprimering og underagenter og målt kvalitet, efterhånden som kontekstvinduer fyldes.
- Have bygget eksekveringslag til agenter med loops, værktøjsdispatch, tilstand og checkpoints, afbrydelse og genopretning, sandboxing og tilladelser, sikkerhedsforanstaltninger samt modelrouting.
- Være fortrolig med MCP, strukturerede output og streaming.
- Have bygget offline- og onlineevalueringspakker, der dækker datasæt, bedømmere, kalibrering af LLM som dommer, CI-regressionskrav, produktionsscoring, sporudvælgelse, driftsovervågning, shadow-deployments og feedbackloops.
- Have over 10 års erfaring med software eller maskinlæringssystemer, herunder mindst 3 år med udvikling på LLM’er.
- Have stærke, praktiske Python-færdigheder.
- Være tryg ved at læse og gennemgå Java- eller TypeScript-tjenester.
- Have produktionserfaring med AWS eller GCP, containere, Kubernetes og hændelsesdrevne systemer.
- Kommunikere effektivt både skriftligt og mundtligt.
- En fordel: erfaring med forsyningskæder, logistik eller transport.
- En fordel: erfaring med Document AI, OCR, layoutmodeller og dataudtræk fra konnossementer, fakturaer og leveringskvitteringer.
- En fordel: erfaring med at bygge tale- eller e-mailagenter, der handler på vegne af en virksomhed.
- En fordel: erfaring med agentsikkerhed, herunder forsvar mod promptinjektion, værktøjstilladelser og isolering af lejerdatasæt.
- En fordel: erfaring med Claude, GPT, Gemini, modeller med åbne vægte og modelserveringsstakke.
- En fordel: publikationer, oplæg eller open source-bidrag om agenter, informationssøgning eller evaluering.
Fordele
- Konkurrencedygtig løn og aktieoptioner.
- Fem globale restitutionsdage.
- Generøs betalt frihed og sædvanlige helligdage.
- Forældreorlov for alle forældre.
- Årligt tilskud til velvære.
- Frivilligdage.
- Sundhedsydelser fra første arbejdsdag.
- 36 feriedage på tværs af syge-, fleks- og optjent ferie.
- Fem restitutionsdage.
- To frivilligdage.
- Tilskud til hjemmekontor og teknologi.
- Fordele for livsstil og familie.
- Støtte og vejledning til mental trivsel.
- Løbende læring og udvikling, herunder et program for faglig udvikling og en Toastmasters-klub.