Izgradnja AI-a koji se ponaša kao pouzdan kolega umjesto nepredvidljivog eksperimenta trenutno je jedan od najtežih problema u inženjerstvu. Za inženjera Pranava Pawara, rješavanje tog jaza postalo je središte njegovog rada.Kroz uloge koje obuhvaćaju analitiku rizika, automatizaciju zdravstvene skrbi i sada marketinšku infrastrukturu na startupu Kalos, usredotočen je na osnovni princip stvaranja AI pouzdane i pouzdane iznad svega drugog. Zašto većina AI ne uspijeva prije nego što se poveća Većina sistema može da radi vrlo dobro u kontrolisanim demonstracijama, samo da otkrije u proizvodnji kada se suoči sa složenostima kako timovi obično rade, što obično znači da se bave manje poliranim podacima, nepredvidivim ponašanjem korisnika ili neumoljivom potražnjom za radnim vremenom. Poduzeća trebaju sisteme na koje mogu imati poverenja, što znači da bi se trebala prilagoditi promjenama propisa, rukovati složenim podacima i proizvoditi rezultate koje ljudi mogu provjeriti.Ipak, prečesto je tok posla podijeljen na različite agente AI, od kojih je svaki zadužen za jedan zadatak - bilo da se radi o stvaranju teksta, kategorizaciji podataka ili optimizaciji ponuda u izolaciji - dok efikasno prisiljavaju ljude da ručno povežu platforme koje su im trebale uštedjeti vrijeme. Rezultat je AI koji nema odgovarajuću arhitekturu koja omogućuje nezavisnim komponentama da komuniciraju. Pawarov raniji inženjerski rad Obuka u materijalnom inženjeringu na IIT Madrasu, Pawarova profesionalna karijera počela je u Bain Capital Venturesu, gdje se pridružio maloj inženjerskoj grupi usmjerenoj na infrastrukturu za strojno učenje za analizu ugovora. Pawar je izgradio osnovne modele ML i dizajnirao modularne podatkovne cijevi koji su premjestili modele iz Jupyter beležnica u stabilne API-je, osiguravajući da ih sve vrste timova mogu koristiti. Prvi put je počeo da radi s generativnom inteligencijom kada se pridružio ClarityCare-u, startu u zdravstvenoj skrbi koji se bavi automatizacijom prethodnog odobrenja za osiguravatelje. Pawar je izgradio backend od nule, obrađujući prave medicinske zapise bez kršenja standarda privatnosti i revizije. Umjesto da pokuša zamijeniti ljudske recenzore, uveo je sloj verifikacije koji je omogućio medicinskim sestrama da potvrde rezime izvješća generisanih AI-om. Ta iskustva su preoblikovala način na koji je Pawar razmišljao o AI. Kod Baina, vidio je kako modeli zahtijevaju stalno fino podešavanje kako bi ih održali u funkciji. To ga je navelo da vidi iz prve ruke da pouzdanost ne treba smatrati sekundarnim ciljem, već ključnim sredstvom koje jamči da AI može biti prikladno korisna u stvarnim okolnostima. „Pouzdanost je ono što razdvaja proizvod od projekta“, kaže on. „Brzo naučite da težak deo nije u tome da AI razmišlja. Inside Kalos: Automatizacija marketinških kampanja Ovaj fokus na pouzdanost je ono što Pawar sada primjenjuje kao osnivač inženjera u , kompanija gradi ono što oni nazivaju marketinšku platformu zasnovanu na AI agentima koja je izgrađena kako bi pojednostavila najtraženiji delovi B2B oglašavanja. Kalos Jedna analizira prodajne pozive kompanije, e-pošte prospekta i CRM bilješke kako bi bolje razumjeli što pokreće konverzije; drugi dizajnira potpune oglase od teksta do slika; treća upravlja publikom, sortirajući kroz različite kriterije kako bi identificirala ciljeve visoke vrednosti; četvrta optimizira kampanje prilagođavanjem ponuda i pokretanjem najjačih oglasa; i konačni agent procjenjuje performanse kampanje, usklađujući metričke podatke s CRM mogućnostima i kanalizacijom kako bi pokazao ROI. Zajedno, oni pretvaraju ono što je nekada bio ručni proces u povratnu informaciju vezanu uz podatke o istraživanju, izvođenju oglasa i održavanju. Ispod tog sučelja leži problem koji Pawar provodi većinu svog vremena rješavajući: orkestriranje. Svaki agent zavisi od izlaza drugog, a jedna pogreška može kaskadirati kroz ceo sistem. Njegov posao je da osigura da te zavisnosti reše čisto, što znači: refakcioniranje nerednog koda, osiguravajući da logika bude dosljedna u svim agentima, i čineći proizvod dovoljno otpornim da služi stotinama kupaca. „Samo mali deo AI je o modelima“, kaže on. „Ostalo je inženjering koji ga čini pouzdanim i skalabilnim.“ Lekcije o izgradnji trajnog AI Pranav Pawarov rad nudi nekoliko lekcija izravno iz sustava koje je izgradio kako bi se osiguralo da je AI pouzdana, specifična i korisna u proizvodnji. Rješavanje bolne tačke prvo: Svaki projekt Pawar je vodio počeo s betonskom bočicom: ručno prethodno odobrenje u zdravstvenoj skrbi, fragmentirane analize u Bainu, ponavljajuće upravljanje oglasima u Kalosu - svakoj od njih potrebna su rješenja za rješavanje specifičnih problema. Držite ljude u toku: Na ClarityCare, on je vidio da automatizacija uspijeva samo kada ljudi ostanu deo procesa. medicinske sestre pregledale su AI generirane sažetke umjesto da ih zamene, stvarajući sistem koji je ojačao povjerenje. Odvojeni prototipi od proizvoda: U Bainu, Pawar je shvatio da uzimanje modela uživo znači stalnu rekonstrukciju i nadzor. Pouzdanost je došla iz procesa i discipline, razumevanje koje je kasnije oblikovalo kako je pristupio skaliranju Kalosa. Izgradite oko poslovnih mjerila: Bilo da optimizujete tokove rada osiguranja ili performanse marketinga, Pawar se usredotočio na čimbenike kao što su prodor, efikasnost i konverzija kako bi izmjerio uspjeh svojih modela. Dizajn za dugoročne ciljeve: Kod Kalosa, svaki agent je izgrađen tako da neprestano uči iz podataka kampanje, što je ključno za sustav da ostane efikasan kako se tržišta i ponašanje kupaca mijenjaju tijekom vremena. On ne tretira AI kao jedno-size-fit-all rješenje, već kao primijenjen softver napravljen za rješavanje specifičnih problema na načine koji traju. „AI inženjering nije o hype“, kaže on. „To je o rješavanju stvarnih problema pouzdano i na skali.“

This story contains new, firsthand information uncovered by the writer.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Ovaj audio je proizveden na originalnom jeziku priče!

Izvan hype: Pranav Pawar o tome kako izgraditi pouzdanu AI u proizvodnji

About Author

KOMENTARI

HANG TAGS

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps