kAIgentic یک شرکت SaaS هوش مصنوعی سازمانی با دفتر مرکزی در سنگاپور است که به سازمان‌های پیچیده و دانش‌محور کمک می‌کند دانش عملیاتی ضمنی خود را به عامل‌های هوش مصنوعی تحت حاکمیت تبدیل کنند. پلتفرم این شرکت پیکربندی عامل، تحلیل تشخیصی افراد، سامانه‌ها و فرایندها، و یک محیط زمان اجرا برای استقرار همراه با نظارت انسانی، تله‌متری و بهبود مستمر را یکپارچه می‌کند. kAIgentic با ریشه‌هایی در ژاپن و سابقه همکاری با مؤسسات خدمات مالی سازمانی، بر تضمین، رعایت مقررات و نوسازی عملی هوش مصنوعی برای کسب‌وکارهای تحت نظارت تمرکز دارد؛ بدون آنکه به جایگزینی کامل سامانه‌های موجود نیاز باشد.
مهندس نرم‌افزار، پژوهش هوش مصنوعی — بنگلور ترکیبی
زیرساخت هوش مصنوعی سازمانی را برای هوش اسنادی، GraphRAG، سامانه‌های بازیابی و یکپارچه‌سازی امن چندعاملی بسازید. این نقش، مهندسی محصول را با پژوهش کاربردی هوش مصنوعی ترکیب می‌کند.
توضیحات
- خطوط لوله کامل ورود اسناد را توسعه دهید که چیدمان‌ها، جدول‌ها، نمودارهای اسکن‌شده و بردارسازی محتوای طولانی را مدیریت کنند
- سامانه‌های استخراج LLM محدودشده با طرح‌واره را با طرح‌واره‌های نوع‌دار، حلقه‌های اعتبارسنجی و چرخه‌های اصلاح خودکار یا ارسال مجدد درخواست بسازید
- رهبری مهندسی بازیابی را در جست‌وجوی ترکیبی، رتبه‌بندی مجدد و گسترش پرس‌وجو بر عهده بگیرید
- برای پشتیبانی از بازیابی GraphRAG، با استفاده از Neo4j یا مخازن گراف ویژگی مشابه، گراف‌های دانش و خطوط لوله حل اختلاف موجودیت بسازید
- با ترکیب مخازن اصطلاحات و تولید در حلقه بازیابی، اتصال به منبع را تقویت کنید
- با تیم‌های محصول و پژوهش همکاری کنید تا مجموعه‌داده‌های ارزیابی، معیارهای نمره‌دهی و دروازه‌های رگرسیون ایجاد شوند
- با SDKهای بومی، هماهنگ‌سازی چندعاملی برنامه‌ریز-کارگر و مسیریابی ابزار را توسعه دهید
- رهبری یکپارچه‌سازی‌های MCP و عامل‌به‌عامل را با قراردادهای امن، مرزهای احراز هویت و انتقال زمینه میان سرویس‌ها بر عهده بگیرید
شرایط لازم
- سابقه اثبات‌شده در ارائه سامانه‌های هوش مصنوعی تولیدی با Python، همراه با تایپ‌گذاری قوی، آزمون‌های جامع و طراحی خطوط لوله ناهمگام
- سبک کاری مبتنی بر توسعه سریع و بومی هوش مصنوعی
- درک پیشرفته از پرامپت‌نویسی LLM، استخراج مبتنی بر طرح‌واره و حلقه‌های اصلاح خودکار
- تخصص در بردارهای چگال، جست‌وجوی ترکیبی، رتبه‌بندی مجدد و گسترش پرس‌وجو
- تجربه کار با پایگاه‌های داده گراف ویژگی مانند Neo4j و ساخت خطوط لوله حل اختلاف موجودیت و GraphRAG
- تجربه عملی در معماری‌های اتصال به منبع، مخازن اصطلاحات و تولید در حلقه بازیابی
- تسلط بر ابزارهای هماهنگ‌سازی چندعاملی مانند LangGraph یا OpenAI Agents SDK، به‌همراه الگوهای امن یکپارچه‌سازی MCP یا A2A
- تجربه در طراحی مجموعه‌داده‌های ارزیابی، ساخت ارزیاب‌ها و پیاده‌سازی آزمون‌های رگرسیون با ابزارهای ردیابی مانند Langfuse
- قضاوت سنجیده هنگام ایجاد تعادل میان اهداف پژوهشی و نیازمندی‌های محصول
- توانایی برقراری ارتباط شفاف با مهندسان، مدیران محصول و ذی‌نفعان ارشد
مزایا
- مالکیت معنادار از همان ابتدا
- فرصت یادگیری و رشد در کنار رهبران باتجربه از سازمان‌های بزرگ
- فرهنگ مبتنی بر اعتماد که از امنیت روانی، مخالفت سازنده و آزمایش منضبط پشتیبانی می‌کند
- همکاری با همکارانی از سنگاپور، هند، ژاپن، اروپا و ایالات متحده