Ang Equifax ay isang pandaigdigang kompanya sa larangan ng pananalapi, fintech, at cybersecurity na nakatuon sa paglikha ng mga insight mula sa datos para sa mahahalagang desisyon. Kabilang sa mga alok nito ang credit reporting, risk modeling, identity protection, analytics, cloud technology, at artificial intelligence para sa mga institusyong pinansyal, employer, at ahensya ng pamahalaan. Naka-headquarter sa Atlanta, may halos 15,000 empleyado ang Equifax sa 24 na bansa at pinagsasama nito ang proprietary data at teknolohiya upang makatulong sa mga kliyente nito na makagawa ng mas mahusay na mga desisyon.
Software Engineer II, AI na Agentic
Bumuo ng mga LLM agent na handa para sa produksyon, mga pipeline ng retrieval-augmented generation, at mga workflow ng AI para sa negosyo sa Equifax. Bumuo ng mga sistemang matatag gamit ang Python, mga orchestration framework, API, at vector database.
Paglalarawan
- Bumuo ng mga multi-step na workflow ng agent na nagpapanatili ng estado gamit ang mga framework tulad ng LangGraph, AutoGen, o LlamaIndex.
- Pagandahin ang mga prompt gamit ang mga teknik tulad ng Chain-of-Thought (CoT) at ReAct.
- Gumawa ng matitibay na API wrapper at mahihigpit na JSON schema para sa mga tool at function call ng LLM.
- Ikonekta nang ligtas ang mga agent sa mga panloob na database, CRM, at sistema ng negosyo.
- Bumuo ng pagpapanatili ng konteksto gamit ang mga short-term memory buffer at pangmatagalang vector o relational storage.
- Bumuo at magpanatili ng mga data ingestion pipeline na may mataas na throughput.
- Pagandahin ang kaugnayan ng paghahanap sa pamamagitan ng hybrid search, pag-aayos ng embedding, at muling pagraranggo.
- Magdagdag ng paghawak sa error at mga retry para sa mga rate limit, pagkabigo ng API, at hallucination.
- Pahintulutan ang mga agent na itama ang sarili nilang output o malinaw na mag-escalate sa mga taong operator.
- Sumulat ng mga deterministic na software test at pagsusuri gamit ang mga paraang LLM-as-a-judge.
- Gumamit ng mga tracing tool tulad ng LangSmith at Phoenix upang suriin ang mga landas ng pangangatwiran, pigilan ang walang-hanggang loop, at bawasan ang latency.
- Gawing maaasahang production system ang mga prototype ng AI.
- Sumulat ng malinis at episyenteng code; pinuhin ang mga prompt ng LLM; isama ang mga API; at pamahalaan ang mga workflow ng agent na nagpapanatili ng estado.
Mga Kinakailangan
- May 3–6 na taong karanasan sa pangunahing software engineering.
- May hindi bababa sa isang taong aktuwal na karanasan sa pagbuo at pag-deploy ng mga production LLM application, RAG pipeline, o agentic workflow.
- Mahusay gumamit ng Python, kabilang ang FastAPI, Pydantic, at Asyncio.
- May aktuwal na karanasan sa mga LLM orchestration framework tulad ng LangGraph, LangChain, AutoGen, o LlamaIndex.
- May karanasan sa pagsulat ng mga JSON schema para sa function calling.
- May karanasan sa pagbuo ng mga REST o gRPC API wrapper.
- May karanasan sa paggamit ng mga vector database.
- May karanasan sa mga observability platform para sa pagsubaybay sa execution ng agent, pagmamanman sa latency, at pagsusuri ng mga prompt.
- May matibay na pundasyon sa CI/CD, mga workflow ng Git, unit at integration testing, Docker, at malinis at nasusukat na software development.
- May aktuwal na karanasan sa mga cloud-native AI service ng GCP, kabilang ang Vertex AI, ADK, at Model Armour.
- May kaalaman sa mga semantic guardrail framework tulad ng NeMo Guardrails o Guardrails AI.
- May pamilyaridad sa fine-tuning, pag-customize ng embedding, o lokal na pag-deploy ng mga open-source model.
Mga Benepisyo
- Komprehensibong pakete ng kompensasyon at pangangalagang pangkalusugan.
- May bayad na leave.
- Mga pagkakataon sa pag-unlad ng karera sa pamamagitan ng online learning platform na may mga gabay na career track.
- Hybrid na setup sa trabaho.