AI nabízí firmám nové způsoby, jak procházet velkými kusy informací, starat se o časově náročné úkoly a detekovat jemnější vzory v datech. Ale zatímco tyto systémy často ukazují slib během testování, to neznamená, že nebudou mít potíže, jakmile budou nasazeny, vypořádat se s podmínkami, kde jsou data a technická infrastruktura nekonzistentní a pracovní postupy jsou roztříštěné. Jeho práce ho viděla navrhovat řešení pro piloty venkovského zemědělství, akademický výzkum a rozsáhlé nasazení umělé inteligence a v průběhu let viděl z první ruky, jak se tato technologie chová, jakmile opustí laboratoř. Nikita Kotsehubová Výrobní intuice z terénu Vyrůstal na Ukrajině, Kotsehub začal utvářet svůj smysl pro to, jak technologie může udělat rozdíl, když jsou zdroje vzácné a omezení jsou nevyhnutelné.Tato perspektiva ho následovala na Minerva University, kde žil a studoval v pěti zemích, pracoval s místními organizacemi na technologických výzvách, které zřídka odpovídaly předpokladům učebnic. Jeho nejvíce formativní lekce v této době pocházely z projektů, které zahrnovaly posezení s uživateli, slyšení, jak popsali své největší výzvy, a sledování, kde se systémy rozpadly.Omezení zařízení ve venkovských oblastech, křehkost pracovních postupů uvnitř velkých organizací a mezera mezi tím, jak inženýři představují problém a jak je skutečně uveden do praxe - všechny tyto prvky utvářely jeho pohled na to, co činí software skutečně užitečným. On popisuje princip, který vyvinul během těchto projektů: nejsilnější výrobní inženýři mají tendenci být ti, kteří pocítili tření reálného použití. „Nejlepší výrobní inženýři jsou ti, kteří zažili bolest používání produktu k řešení reálných problémů.“ „Technologie není o abstraktních modelech,“ vysvětluje, „je o řešení problémů, které se přímo dotýkají lidských životů.“ Federované vzdělávací průlomy s FLoX Tyto lekce se přímo podílely na jednom z nejstarších příspěvků společnosti Kotsehub k výzkumné komunitě: Otevřený zdrojový rámec, který vyvinul na univerzitě v Chicagu Globus Labs. FLOX Cílem projektu bylo řešit velkou mezeru, se kterou se výzkumníci potýkají při experimentování s federovaným učením, což je proces, který trénuje modely lokálně na každém zařízení namísto odesílání dat na centrální server. FLoX tuto bariéru řešila pomocí modelu funkce jako služby, který automaticky rozesílal a koordinoval výpočetní úkoly na různých zařízeních, které pak týmy mohly použít k spuštění federovaných pracovních postupů bez budování vlastních orchestrálních systémů. Jeho design umožnil testování umělé inteligence v místech s nekonzistentním připojením, včetně venkovských zemědělských projektů, kde se zemědělci spoléhali na špinavá zařízení pro sledování podmínek plodin. Kotsehub později popsal okamžik, kdy se venkovským pilotům poprvé podařilo, jako zlomový bod, a poznamenal, že „vidět venkovské zemědělce těžit z výzkumného prototypu byl klíčovým momentem“. FLoXův vliv se rozšiřoval, když další výzkumníci stavěli na architektuře. , duchovní nástupce FLoX, který přizpůsobil původní design pro hierarchické setupy federovaného učení a více konfigurací přizpůsobených výrobě. Kolektivně FLoX a jeho nástupce projekty podporovaly výzkum v oblasti distribuovaného učení, přesného zemědělství a bezserverových ML systémů na univerzitách a národních laboratořích. letět Transformace podnikových pracovních postupů Během posledních několika let pracoval Kotsehub v Palantiru jako inženýr v budoucnosti, kde pracoval přímo s několika společnostmi z řady Fortune 100 v době, kdy mnozí teprve začínali zkoumat, jak by se velké jazykové modely mohly hodit do jejich každodenní práce. Práce znamenala, že tyto pokročilé systémy byly zabudovány do starých datových struktur, standardizovány formáty zadávání dat a procesy, které byly historicky prováděny ručně.A pro mnoho společností s tradičními systémy na místě, integrace vyžadovala pečlivou manipulaci s dlouhými, nekonzistentními nebo dokonce protichůdnými vstupy, se kterými by se tyto modely mohly setkat v reálných pracovních postupech. Jakmile společnosti viděly, že tyto systémy fungují v reálném čase, dopad se stal snazší pochopit. Jasný příklad Kotsehub připomíná, že pocházel z pojišťovacího projektu s rozsáhlým podpůrným potrubím. Desítky dokumentů musely být přezkoumány a křížově kontrolovány a každý případ se pomalu pohyboval systémem. Zavedením pracovního postupu řízeného LLM, který by mohl automaticky extrahovat kritické informace z těchto dokumentů, snížil dlouhý manuální proces na něco, co by mohlo být provedeno během několika hodin. Jak říká Kotsehub, „Využití LLM do tradičních podnikových systémů nás naučilo, jak dělat AI užitečnou a spolehlivou.“ Z terénních lekcí k vytváření lepších produktů Poté, co několik let pomáhal firmám integrovat LLM do jejich pracovních postupů, se Kotsehub přestěhoval do produktového inženýrství a připojil se k týmu odpovědnému za platformu používanou tisíci organizacemi.Směna byla přirozeným rozšířením jeho dřívější práce a zvažuje výzvy, které viděl během nasazení klientů (od omezení okrajových zařízení až po křehké podnikové pracovní postupy), aby nyní řídil, jak hodnotí funkce určené pro mnohem širší použití. V této roli je zodpovědný za budování nástrojů umělé inteligence, které mohou provozovat netechnické uživatele, s jeho přístupem informovaným výzvami, kterým byl svědkem spolu se zákazníky.Práce vyžaduje vyvážení vnitřní funkce produktu s realitou toho, jak bude přijat jednotlivými uživateli, rovnováhu, kterou se naučil prostřednictvím let řešení selhání, mezer v integraci a překážek pracovního postupu ve výrobních prostředích. „Každá výzva, kterému jsem čelil při nasazení, informuje o tom, jak teď buduji,“ říká. „Je to o uzavření mezery mezi problémem a produktem.“ Kariéra Nikity Kotsehub poukazuje na jediný princip: aby byla AI úspěšně implementována, musí mít inženýři i společnosti z první ruky pochopení toho, jak lidé tyto systémy používají a co doufají, že se z nich dostanou.

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!

Jak Nikita Kotsehub propojí výzkum AI s reálnými podnikovými řešeními

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