kAIgentic es una empresa de SaaS de inteligencia artificial empresarial con sede en Singapur que ayuda a organizaciones complejas e intensivas en conocimiento a transformar el conocimiento operativo tácito en agentes de IA gobernados. Su plataforma combina la configuración de agentes, el análisis diagnóstico de personas, sistemas y procesos, y un entorno de ejecución para su implementación con supervisión humana, telemetría y mejora continua. Con raíces en Japón y experiencia de colaboración con el sector de servicios financieros empresariales, kAIgentic se centra en la garantía, el cumplimiento normativo y la modernización práctica de la IA para empresas reguladas, sin exigir un enfoque de sustitución total de los sistemas existentes.
Ingeniero sénior de software para investigación en IA – kAIgentic (Híbrido, India)
Lidera el desarrollo de grafos de conocimiento gobernados, sistemas de aprendizaje y pipelines de IA en producción en kAIgentic. Crea soluciones fiables y basadas en evidencias para operaciones empresariales reguladas.
Descripción
- Liderar el diseño y la implementación completos de un esquema de grafo de conocimiento que abarque jerarquía, procedencia, control de versiones y extensibilidad.
- Desarrollar pipelines de extracción fundamentada que conecten cada afirmación con la evidencia de origen y un estado epistémico.
- Crear y perfeccionar entornos de inferencia multicontexto para la gestión de memoria, el control del presupuesto y la compactación a gran escala.
- Construir flujos de trabajo de destilación de conocimiento que incorporen datos externos a la ontología interna.
- Desarrollar marcos de consolidación que unifiquen documentos, entrevistas y registros de eventos al tiempo que resuelven conflictos.
- Crear y perfeccionar flujos de trabajo de adaptación de modelos mediante SFT, DPO y RFT.
- Desarrollar infraestructura de bucle de aprendizaje que capture comentarios, facilite el aprendizaje activo y actualice continuamente la ontología.
- Construir entornos y planes de aprendizaje por refuerzo con señales de recompensa y medidas de evaluación para una operación segura.
- Desarrollar sistemas de generación con recuperación para producción dentro de objetivos definidos de calidad, latencia y costes.
- Crear marcos de evaluación mediante rúbricas ciegas y validación con LLM como juez para evaluar la fundamentación y las alucinaciones.
Requisitos
- Éxito demostrado al llevar sistemas de investigación de IA desde el prototipo inicial hasta producción en entornos regulados.
- Trabajar con un enfoque nativo de IA y una alta velocidad de ejecución.
- Dominio avanzado de Python y PyTorch, incluido el ajuste fino a gran escala con SFT, DPO y RFT.
- Experiencia especializada en bases de datos de grafos e ingeniería de ontologías, incluida la arquitectura de esquemas, el control de versiones y la procedencia.
- Experiencia práctica en la creación de sistemas de extracción que asocien afirmaciones con evidencia de origen y estado epistémico.
- Experiencia práctica con entornos de aprendizaje por refuerzo, desarrollo de planes de aprendizaje y modelado de recompensas para sistemas autónomos.
- Sólido dominio de la generación aumentada por recuperación, la reducción de la latencia y el escalado eficiente en costes.
- Capacidad para llevar a cabo investigación aplicada rigurosa mediante el diseño de hipótesis, pruebas de ablación y validación estadística.
- Criterio sólido al elegir entre la adaptación de modelos y la ingeniería de contexto, junto con una comunicación interdisciplinaria eficaz.
- Doctorado en Inteligencia Artificial, Informática o una disciplina relacionada.
- Al menos cuatro años de experiencia relevante en investigación industrial.
Beneficios
- Colaborar globalmente con colegas de Singapur, India, Japón, Europa y Estados Unidos.
- Aprender y desarrollarse junto a líderes con experiencia de grandes empresas.
- Asumir la responsabilidad de trabajo significativo desde el primer día.
- Trabajar en un entorno que valora la seguridad psicológica, el debate franco y la experimentación disciplinada.
- Combinar la velocidad de una startup con el trabajo en infraestructura a escala empresarial.
- Ayudar a influir en el producto, la cultura de la empresa y los resultados de los clientes.
- Abordar desafíos críticos para la misión en entornos empresariales regulados.