Doprava narůstá nerovnoměrně, předpoklady přestávají existovat a návrhová rozhodnutí, která se kdysi cítila jako nepatrná, začínají utvářet vše, co následuje. Tento článek sleduje inženýrskou kariéru Sai Sreenivas Kodur, od budování rozsáhlých vyhledávacích a doporučovacích systémů v elektronickém obchodě až po přední podnikové platformy AI a doménové datové produkty. Na cestě se podívá na to, jak práce v měřítku posouvá zaměření inženýra z jednotlivých komponent na platformové základy, datové pracovní postupy a týmové struktury, zejména když AI mění způsob, jakým je software postaven. Počáteční základy v systémech a strojovém učení Sai Sreenivas Kodur absolvoval své bakalářské i magisterské tituly v oboru informatiky a inženýrství na Indickém technologickém institutu v Madrasu. Během svého vysokoškolského a postgraduálního studia se zaměřil na kompilátory a strojové učení. Jeho výzkum zkoumal, jak by se techniky strojového učení mohly aplikovat na zlepšení výkonu softwaru v heterogenních hardwarových prostředích. Výkon byl považován za výsledek na úrovni systému formovaný algoritmy, prováděcími modely a hardwarovými omezeními, které spolupracují. Na konci postgraduální školy, nejtrvalejší výsledek tohoto školení nebyla obeznámenost s konkrétními nástroji, ale schopnost hluboce naučit se nové systémy a přizpůsobit se měnícím se technickým kontextům. Systémy vyhledávání a doporučování na stupnici Saiho rané průmyslové role zahrnovaly budování a vedení vyhledávacích a doporučovacích systémů na velkých indických platformách elektronického obchodu, včetně Myntra a Zomato. Tyto systémy podporovaly indexování, vyhledávání a zařazování do katalogu více než jednoho milionu často se měnících položek. V tomto měřítku systémové chování odráželo několik konkurenčních omezení. Indexová čerstvost musela být vyvážena s požadavky na latenci. Kvalita hodnocení závisela na datových potrubích, spolehlivosti infrastruktury a chování modelu, které fungovalo společně. Návrhová rozhodnutí, která se zdála správná v izolaci, se chovala jinak, když byla vystavena skutečným dopravním vzorcům, zpožděným signálům a nerovnoměrnému rozložení zatížení. Zlepšení relevantnosti nebo výkonu vyžadovalo koordinaci mezi distribuovanými systémy, požitím dat a chováním aplikací spíše než izolované změny jednotlivých komponent. Startupové prostředí a širší inženýrská expozice Na začátku své kariéry se Sai rozhodl pracovat především ve start-upových prostředích. Tyto role nabídly expozici široké škále inženýrských povinností, včetně návrhu systémů, výrobních operací a úzké spolupráce s produktovými a obchodními týmy. V těchto podmínkách se účinky architektonických voleb rychle objevily.Systémy se slabými základy vyžadovaly časté přepracování, protože se zvyšovalo využití.Systémy postavené s přesnými abstrakcemi a spolehlivými potrubími se s časem snadněji prodlužovaly. Systémy byly definovány nejen kódem a infrastrukturou, ale také tím, jak týmy fungovaly, jak byla přijímána rozhodnutí a jak byly platformy udržovány, jak rostly. Výstavba systémů potravinové inteligence ve Spoonshot Sai později spoluzakládal Spoonshot a působil jako jeho hlavní technologický ředitel. Spoonshot se zaměřil na vytvoření platformy pro výzkum dat pro potravinářský a nápojový průmysl.Jádrový systém, Foodbrain, kombinoval více než 100 terabajtů alternativních dat z více než 30 000 zdrojů s modely umělé inteligence a doménovými znalostmi o potravinách. Tato nadace podporovala produkt Genesis, který používají globální potravinářské značky jako PepsiCo, Coca-Cola a Heinz k podpoře rozhodnutí o inovaci a vývoji produktů. Budování Foodbrain zahrnovalo práci s hlučnými zdroji dat, vyvíjející se požadavky na doménu a očekávání spolehlivosti podniku. Pod technickým vedením Saiho Spoonshot shromáždil více než 4 miliony dolarů v rizikovém financování a rozrostl se na tým více než 50 v USA a Indii. Během tohoto období zavedl datově orientované postupy v oblasti umělé inteligence vytvořením speciální funkce pro operace s daty společně s týmem věd o datech.Tím se zkrátil obratový čas pro vývoj nových modelů o 60 % při zachování přesnosti nad 90 %. Enterprise AI platformy a spolehlivost Sai později působil jako ředitel inženýrství v ObserveAI, kde vedl týmy platformového inženýrství, analytiky a podnikových produktů. Platforma podporovala podnikové zákazníky, jako jsou DoorDash, Uber, Swiggy a Asurion. tito zákazníci měli přísná očekávání týkající se spolehlivosti, výkonu a provozní viditelnosti. Rozšiřování platformy na podporu desetinásobného nárůstu využití vyžadovalo změny v rámci infrastruktury, potrubí pro požití dat a praxe v oblasti pozorovatelnosti. Vedle technického rozšiřování se Sai zaměřil na budování inženýrských vůdčích schopností. pomáhal definovat rámce náboru, prováděl více než 130 rozhovorů a najal vedoucí inženýrské vedoucí pracovníky na podporu dlouhodobého vývoje platformy. Tato fáze zdůraznila, jak organizační struktura ovlivňuje systémové výsledky.Jak platformy rostou složitější, koordinační, vlastnické a rozhodovací procesy se stávají součástí technického systému. Od systémového inženýrství k AI-nativním týmům V různých rolích udržoval Sai praktické zapojení a postupně se rozšiřoval do širších technických vedoucích úkolů. Jeho zaměření se stále více posouvalo směrem k základům platformy a pracovním postupům, které umožňují týmům efektivně pracovat se složitými datovými a AI systémy. Jeho výzkumné publikace odrážejí tento praktický zaměření. a „ Zkoumali jsme, jak umělá inteligence může podporovat produktové a inženýrské pracovní postupy. Genesis: Inteligentní inovace v potravinách Debugmate: agent AI pro efektivní on-call debugging ve složitých výrobních systémech Debugmate prokázal 77% snížení zatížení při volání tím, že pomáhá inženýrům s tříděním incidentů pomocí dat o pozorovatelnosti a systémového kontextu. Dlouhodobé inženýrské základy Při pohledu přes kariéru Sai Sreenivas Kodur, konzistentní téma je důraz na stavební systémy, které zůstávají spolehlivé, jak se zvyšuje složitost. Vzhledem k tomu, že umělá inteligence urychluje vývoj softwaru, toto zaměření se stává stále důležitějším, zejména když týmy začínají budovat skutečně. Místo toho, aby se umělá inteligence rozdělila na stávající architektury, agenti umělé inteligence zavádějí nové pracovní zatížení a různé vzorce používání systému.Data a infrastrukturní platformy původně určené pro lidské uživatele se musí přizpůsobit, aby tyto změny podpořily. AI-native softwarové týmy AI-native softwarové týmy Spíše než se zaměřit na individuální zisky v produktivitě, tato práce se zaměřuje na platformové základy, datové pracovní postupy a týmové struktury, které se mohou časem rozšiřovat. Kariéra odráží inženýrský přístup založený na jasnosti, trvanlivosti a dlouhodobém dopadu. Štěpánek Štěpánek - Image Átha LinkedIn Štěpán Štěpánek - Obrázek LinkedIn Linkedinová Linkedinová

This writer has a vested interest be it monetary, business, or otherwise, with 1 or more of the products or companies mentioned within.

Tento zvuk je produkován v původním jazyce příběhu!

Inženýrství ve velkém měřítku: od vyhledávacích systémů až po AI-native platformy a datové produkty

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