Ang FourKites, Inc. ay bumubuo ng isang pandaigdigang platform para sa visibility ng supply chain na tumutulong sa mga organisasyon na subaybayan at iugnay ang mga operasyon sa logistics nang real time. Pinagsasama ng mga application nito ang data mula sa transportasyon, imbentaryo, at mga operasyon sa bakuran, upang magkaroon ang mga team ng mas malinaw na pananaw sa mga shipment at aktibidad ng supply chain sa iba't ibang paraan ng transportasyon. Naglilingkod ang kumpanya sa mahigit 1,500 pangunahing brand, kabilang ang mga negosyo sa logistics, pagkain at inumin, parmasyutiko, at pagmamanupaktura, at kumokonekta sa mga enterprise system upang suportahan ang mas episyenteng operasyon, pagkontrol sa gastos, at serbisyo sa customer.
Punong Arkitek ng AI, mga Sistema ng Ahente
Pangunahan ang arkitektura ng mga AI agent ng FourKites, mula sa mga modelo at pamamahala ng konteksto hanggang sa pagsusuri. Buuin ang plataporma sa likod ng mga digital na manggagawa para sa supply chain na pinapagana ng AI.
Paglalarawan
- Pamahalaan ang arkitektura ng mga AI agent ng FourKites, kabilang ang pagpapatakbo, konteksto, mga modelo, at pagsusuri.
- Itakda ang batayang arkitektura ng agent para sa mga loop, paggamit ng tool, estado, checkpoint, muling pagsubok, pagbawi, mga pananggalang, pahintulot, at paglilipat ng gawain sa tao.
- Magdisenyo ng matatag at maraming-hakbang na workflow na tumatawid sa mga context window at nakakabawi sa mga pagkabigo ng tool, API ng carrier, at modelo.
- Piliin ang angkop na paraan sa bawat problema, mula sa mga pinakabagong modelo o open-weight na modelo hanggang sa mga fine-tuned na encoder o karaniwang code.
- Pamahalaan ang pagruruta ng modelo, gastos sa bawat gawain, at mga target sa latency sa buong pangkat ng mga agent.
- Ikonekta ang mga agent sa Kafka, microservice, Postgres, mga API ng customer, at mga MCP server.
- Magtakda ng mga pamantayan para sa context window ng mga prompt, tool, nakuhang nilalaman, memory, at mga naunang turn ayon sa limitasyon ng token.
- Gumawa ng mga pinagsasaluhang tool para sa pagkuha ng impormasyon, pagpapasiksik ng konteksto, pagbubuod, paghihiwalay ng sub-agent, pag-cache ng prompt, at pangmatagalang memory.
- Siyasatin ang mga pagkabigo sa konteksto at gawing magagamit muli ang mga solusyon bilang mga pattern sa pagpapatakbo.
- Bumuo ng mga offline na sistema ng pagsusuri gamit ang mga production trace, pagsusuring nakabatay sa code, naka-calibrate na pagmamarka ng LLM bilang tagahatol, at mga CI regression suite.
- Bumuo ng online na pagsusuri gamit ang production scoring, mga panukat ng kalidad, pagsubaybay sa paglihis, shadow at A/B release, mga senyas ng feedback, at mga alerto sa kalidad.
- Iugnay ang mga panukat ng pagsusuri sa mga resulta gaya ng katumpakan ng pagsubaybay, awtomatikong paglutas ng eksepsiyon, at porsiyento ng napupunan na appointment.
- Suriin ang mga disenyo at pull request, idokumento ang arkitektura at mga gabay sa pagpapatakbo, at magturo sa mga staff at senior engineer.
- Subaybayan ang mga pag-unlad sa modelo at tooling, magsagawa ng mga eksperimento, at magrekomenda kung bubuo, bibili, o maghihintay.
- Makipagtulungan sa Product, Solutions, at Customer Success upang gawing mga pagpapahusay sa plataporma ang mga isyung nakikita sa aktuwal na paggamit.
Mga Kinakailangan
- Nakapagdisenyo at nakapagpatakbo na ng sistema ng LLM agent na ginagamit ng mga totoong user at tumatanggap ng production traffic, kabilang ang mga tool call, maraming-hakbang na workflow, paghawak sa pagkabigo, at pag-escalate sa mga tao.
- Nakapamahala na ng sistema ng LLM agent matapos itong ilunsad, kabilang ang pamamahala sa mga insidente, gastos, at latency.
- May malalim na kaalaman sa machine learning, kabilang ang attention, positional encoding, mga arkitekturang encoder at decoder, tokenization, at mga KV cache.
- Nakapagsanay o nakapag-fine-tune na ng mga encoder model gaya ng mga modelong pamilya BERT, sentence embedding, bi-encoder, at cross-encoder re-ranker.
- Nauunawaan ang contrastive training, distillation, at quantization.
- Nakapamahala na ng mga token budget at nakabuo ng retrieval at memory para sa mga agent.
- Nakagamit na ng context compaction at mga sub-agent, at nakasukat ng kalidad habang napupuno ang mga context window.
- Nakapagtayo na ng mga execution layer ng agent na may mga loop, tool dispatch, estado at checkpoint, paghinto at pagbawi, sandboxing at mga pahintulot, mga pananggalang, at pagruruta ng modelo.
- Mahusay sa MCP, mga structured output, at streaming.
- Nakapagtayo na ng mga offline at online evaluation suite na sumasaklaw sa mga dataset, grader, calibration ng LLM bilang tagahatol, CI regression gate, production scoring, pagsa-sample ng trace, pagsubaybay sa paglihis, shadow deployment, at feedback loop.
- May 10+ taong karanasan sa software o machine learning systems, kabilang ang 3+ taong pagbuo gamit ang mga LLM.
- May matibay at praktikal na kasanayan sa Python.
- Komportableng magbasa at magsuri ng mga serbisyo sa Java o TypeScript.
- May karanasan sa production gamit ang AWS o GCP, mga container, Kubernetes, at mga event-driven system.
- Mabisang makipag-usap sa sulat at sa usapan.
- Mas gusto: karanasan sa supply chain, logistics, o transportasyon.
- Mas gusto: karanasan sa Document AI, OCR, mga layout model, at pagkuha ng datos mula sa mga bill of lading, invoice, at dokumento ng patunay ng paghahatid.
- Mas gusto: karanasan sa pagbuo ng mga voice o email agent na kumikilos para sa isang negosyo.
- Mas gusto: karanasan sa seguridad ng agent, kabilang ang depensa laban sa prompt injection, mga pahintulot sa tool, at paghihiwalay ng datos ng tenant.
- Mas gusto: karanasan sa Claude, GPT, Gemini, mga open-weight na modelo, at mga model-serving stack.
- Mas gusto: mga publikasyon, pahayag, o kontribusyon sa open source tungkol sa mga agent, retrieval, o pagsusuri.
Mga Benepisyo
- Kumpetitibong kompensasyon at mga stock option.
- Limang araw na pandaigdigang pahinga para makapag-recharge.
- Malawak na may bayad na leave at mga karaniwang holiday.
- May parental leave para sa lahat ng magulang.
- Taunang allowance para sa kalusugan at kagalingan.
- Mga araw para sa pagboboluntaryo.
- Magsisimula ang mga benepisyong medikal sa unang araw ng trabaho.
- 36 na araw ng PTO na binubuo ng sick leave, casual leave, at earned leave.
- Limang araw na pahinga para makapag-recharge.
- Dalawang araw para sa pagboboluntaryo.
- Reimbursement para sa home office setup at teknolohiya.
- Mga benepisyo para sa lifestyle at pamilya.
- Suporta at gabay para sa kalusugan ng isip.
- Patuloy na pagkatuto at pag-unlad, kabilang ang programang propesyonal na pag-unlad at Toastmasters club.