Vytvoření umělé inteligence, která se chová jako spolehlivý kolega spíše než nepředvídatelný experiment, je v současné době jedním z nejtěžších problémů v inženýrství.Většina systémů může být úspěšná v demo, ale rozpadá se v nepředvídatelném nepořádku reálného nasazení. Pro inženýra Pranava Pawara se vyřešení této mezery stalo jádrem jeho práce. Prostřednictvím rolí zahrnujících analýzu rizik, automatizaci zdravotní péče a nyní marketingovou infrastrukturu ve startupu Kalos se zaměřuje na základní princip, že AI je spolehlivá a důvěryhodná především. Proč většina AI selže dříve, než se zmenší Většina systémů může fungovat velmi dobře v řízených demonstracích, jen aby odhalila ve výrobě, když čelí složitosti toho, jak týmy obvykle pracují, což obvykle znamená, že se zabývá méně leštěnými daty, nepředvídatelným chováním uživatelů nebo neúnavnou poptávkou po volném čase. Podniky potřebují systémy, kterým cítí, že mohou důvěřovat, což znamená, že by se měly přizpůsobit měnícím se předpisům, vypořádat se se složitými daty a produkovat výsledky, které mohou ověřit lidé.Nicméně příliš často je pracovní postup rozdělen na různé agenty umělé inteligence, z nichž každý je zodpovědný za jednu úlohu - ať už se jedná o vytváření textu, kategorizaci dat nebo optimalizaci nabídek v izolaci - přičemž lidé jsou účinně nuceni ručně propojit platformy, které jim měly ušetřit čas. Výsledkem je umělá inteligence, která postrádá správnou architekturu, která umožňuje nezávislým komponentům komunikovat. Pawarova raná inženýrská práce Po absolvování výcviku v oboru materiálového inženýrství na IIT Madras začal Pawar svou profesionální kariéru v Bain Capital Ventures, kde se připojil k malé inženýrské skupině zaměřené na infrastrukturu strojového učení pro analýzu transakcí. Pawar vybudoval základní modely ML a navrhl modulární datové potrubí, které přesunulo modely z notebooků Jupyter do stabilních rozhraní API, čímž zajistil, že je mohou používat všechny druhy týmů. Nejprve začal pracovat s generativní AI, když se připojil k ClarityCare, zdravotnickému startupu zabývajícímu se automatizací předchozího povolení pro pojišťovny. Pawar vybudoval backend od začátku, zpracovával skutečné lékařské záznamy bez porušení standardů ochrany soukromí a auditu. Místo toho, aby se snažil nahradit lidské recenzenty, zavedl vrstvu ověřování, která umožnila zdravotním sestrám potvrdit souhrny zpráv generovaných AI. Tyto zkušenosti přetvořily, jak Pawar myslel na AI. U Baina viděl, jak modely vyžadovaly neustálé jemné nastavení, aby je udržely v provozu. u ClarityCare získal tento pohled novou váhu, kde přesnost byla nezbytností pro skutečné pacienty a lékaře v závislosti na výsledcích. To mu umožnilo vidět z první ruky, že spolehlivost by neměla být považována za sekundární cíl, ale jako klíčový majetek, který zaručuje, že umělá inteligence může být správně užitečná v reálných podmínkách. „Spolehlivost je to, co odděluje produkt od projektu,“ říká. „Rychle se naučíte, že obtížná část není v tom, že AI přemýšlí. Inside Kalos: Automatizace marketingových kampaní Tento důraz na spolehlivost je to, co Pawar nyní uplatňuje jako zakládající inženýr v Společnost buduje to, co nazývají marketingovou platformou založenou na AI agentech, která zjednodušuje časově náročné části reklamy B2B. Kalos Jedna analyzuje prodejní hovory společnosti, prospektivní e-maily a poznámky CRM, aby lépe pochopila, co pohání konverze; druhý navrhuje plné reklamy z textu na obrázky; třetí spravuje publikum, třídí se podle různých kritérií pro identifikaci cílů s vysokou hodnotou; čtvrtý optimalizuje kampaně tím, že upravuje nabídky a spouští nejsilnější reklamy; a konečný agent hodnotí výkon kampaně, shoduje metriky s příležitostmi CRM a potrubí pro zobrazení ROI. Společně přeměňují to, co bylo kdysi manuálním procesem, na zpětnou vazbu založenou na datech, která zahrnuje výzkum, realizaci reklam a údržbu. Pod tímto rozhraním leží problém, který Pawar tráví většinu svého času řešením: orchestrací. Každý agent závisí na výstupu jiného a jedna chyba se může kaskádovat po celém systému. Jeho úkolem je zajistit, aby se tyto závislosti vyřešily čistě, což znamená: refakce chaotického kódu, zajištění, že logika je konzistentní u všech agentů, a aby byl produkt dostatečně odolný, aby sloužil stovkám zákazníků. „Pouze malá část umělé inteligence se týká modelů,“ říká. „Zbytek je inženýrství, které ho činí spolehlivým a škálovatelným.“ Poučení o budování trvalého AI Práce Pranava Pawara nabízí několik lekcí čerpaných přímo ze systémů, na kterých je postaven, jak zajistit, aby byla AI spolehlivá, specifická a použitelná ve výrobě. Nejprve se zaměřte na bolest: Každý projekt, který vedl Pawar, začal s konkrétní překážkou: manuální předchozí autorizace ve zdravotnictví, roztříštěná analýza v Bainu, opakující se správa reklam v Kalos – každý potřebuje řešení specifických problémů. Udržujte lidi v kruhu: V ClarityCare viděl, že automatizace je úspěšná pouze tehdy, když lidé zůstávají součástí procesu. Samostatné prototypy z produktů: V Bainu si Pawar uvědomil, že modelování živě znamenalo neustálou rekonstrukci a dohled.Spolehlivost pocházela z procesu a disciplíny, což bylo pochopení, které později ovlivnilo jeho přístup k škálování Kalos. Build kolem obchodních ukazatelů: Ať už optimalizace pracovních postupů pojištění nebo marketingové výkonnosti, Pawar se zaměřil na faktory, jako je průtok, účinnost a konverze, aby měřil úspěch svých modelů. Design pro dlouhodobý rozvoj: V Kalos je každý agent postaven tak, aby se neustále učil z dat probíhajících kampaní, což je zásadní pro to, aby systém zůstal efektivní, jak se trhy a chování zákazníků mění v průběhu času. Tyto pojmy definují vrchol Pawarovy kariéry. „Nezná AI jako řešení pro všechny, ale jako aplikovaný software postavený tak, aby řešil konkrétní problémy způsobem, který vydrží. „AI inženýrství není o hype,“ říká. „Je to o řešení skutečných problémů spolehlivě a v rozsahu.“

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.

Tento zvuk je produkován v původním jazyce příběhu!

Beyond the Hype: Pranav Pawar o tom, jak vybudovat spolehlivou AI ve výrobě

About Author

KOMENTÁŘE

ZAVĚŠIT ZNAČKY

TENTO ČLÁNEK BYL PŘEDSTAVEN V

Related Stories

Coinshift Launches csUSDL, Announces Strategic Partnerships

Coinshift Launches csUSDL, Announces Strategic Partnerships

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps