AI tilbyder virksomheder nye måder at gå gennem store stykker information, tage sig af tidskrævende opgaver og opdage mere subtile mønstre i dataene.Men mens disse systemer ofte viser løfte under test, betyder det ikke, at de ikke vil kæmpe, når de er implementeret, der beskæftiger sig med forhold, hvor data og teknisk infrastruktur er inkonsekvent, og arbejdsprocesser er fragmenterede. Hans arbejde har set ham designe løsninger til landbrugspiloter, akademisk forskning og storskala AI-implementeringer, og gennem årene har han set førstehånds, hvordan denne teknologi opfører sig, når den forlader laboratoriet. Nikita Kotsehub Byg produkt intuition fra marken Kotsehub voksede op i Ukraine og begyndte at forme sin fornemmelse af, hvordan teknologi kan gøre en forskel, når ressourcer er knappe og begrænsninger er uundgåelige. Hans mest formative lektioner omkring denne tid kom fra projekter, der involverede at sidde ned med brugerne, høre, hvordan de beskrev deres største udfordringer, og se, hvor systemer brød ned. Begrænsningerne af enheder i landdistrikter, skrøbeligheden af arbejdsprocesser i store organisationer, og kløften mellem, hvordan ingeniører forestiller sig et problem og hvordan det faktisk sættes i praksis - alle disse elementer formede hans syn på, hvad der gør software virkelig nyttigt. Han beskriver et princip, han udviklede under disse projekter: De stærkeste produktingeniører har tendens til at være dem, der har følt friktionen af reel brug. "Teknologi handler ikke om abstrakte modeller," forklarer han, "det handler om at løse problemer, der direkte berører folks liv." Fødereret læring gennembrud med FLoX Disse lektioner fodrede direkte ind i et af Kotsehubs tidligste bidrag til forskningsfællesskabet: , et open-source-rammeværk, han udviklede ved University of Chicago's Globus Labs. Floks Projektet havde til formål at afhjælpe et stort hul, som forskere stod over for, når de eksperimenterede med fødereret læring, en proces, der træner modeller lokalt på hver enhed i stedet for at sende data til en central server. FLoX løste denne barriere ved at bruge en funktion som en service-model, der automatisk afsendte og koordinerede beregningsopgaver på tværs af en række enheder, som teams derefter kunne bruge til at køre fødererede arbejdsprocesser uden at opbygge deres egne orkestreringssystemer. Kotsehubs rammer viste sig at være nyttige ud over kontrollerede laboratorieforhold.Dens design gjorde det muligt at teste AI på steder med inkonsekvent konnektivitet, herunder landbrugsprojekter, hvor landmændene stolede på spotty-enheder til at følge afgrødernes forhold. FLoX's indflydelse bredte sig, da andre forskere byggede på arkitekturen. , en åndelig efterfølger til FLoX, som tilpassede det oprindelige design til hierarkiske federated-learning-opstillinger og mere produktion-alignede konfigurationer. Flyvning Transformation af virksomhedens arbejdsprocesser I løbet af de sidste par år har Kotsehub arbejdet hos Palantir som en fremadrettet ingeniør, hvor han har arbejdet direkte med flere Fortune 100-virksomheder på et tidspunkt, hvor mange kun var begyndt at udforske, hvordan store sprogmodeller kunne passe ind i deres daglige arbejde. Arbejdet betød at integrere disse avancerede systemer i gamle datastrukturer, standardisere dataindtastningsformater og afbryde processer, der historisk set blev udført manuelt. Og for mange virksomheder med forældede systemer på plads krævede integration omhyggelig håndtering af lange, inkonsekvente eller endda modstridende input, som disse modeller kunne støde på i virkelige arbejdsprocesser. Når virksomhederne så disse systemer fungere i realtid, blev virkningen lettere at forstå. Et klart eksempel Kotsehub tilbagekalder kom fra et forsikringsprojekt med en udvidet undertegnelse rørledning. Tusindvis af dokumenter måtte gennemgås og krydstjekkes, og hvert tilfælde bevægede sig langsomt gennem systemet. Ved at indføre en LLM-drevet arbejdsproces, der kunne udtrække kritiske oplysninger fra disse dokumenter automatisk, reducerede det en lang, manuel proces til noget, der kunne gøres i løbet af timer. Som Kotsehub siger det, "Udvikling af LLM'er i arvede virksomhedssystemer lærte os, hvordan man gør AI både nyttigt og pålideligt." Fra læring til at skabe bedre produkter Efter at have brugt flere år på at hjælpe virksomheder med at integrere LLM'er i deres arbejdsprocesser, flyttede Kotsehub ind i produktteknologi og sluttede sig til teamet, der var ansvarlig for en platform, der blev brugt af tusindvis af organisationer. Skiftet var en naturlig forlængelse af hans tidligere arbejde, og han overvejer de udfordringer, han så under klientimplementeringer (fra begrænsninger af kantenheder til skrøbelige enterprise arbejdsprocesser) for nu at guide, hvordan han evaluerer funktioner, der er beregnet til meget større brug. I denne rolle er han ansvarlig for at opbygge AI-værktøjer, som ikke-tekniske brugere kan betjene, med hans tilgang informeret af de udfordringer, han var vidne til sammen med kunderne. "Hver udfordring, jeg står over for i implementeringen, fortæller, hvordan jeg bygger nu," siger han. "Det handler om at lukke sløjfen mellem problem og produkt." Nikita Kotsehubs karriere peger på et enkelt princip: For at AI skal implementeres med succes, skal ingeniører og virksomheder have en førstehånds forståelse af, hvordan folk bruger disse systemer, og hvad de håber at komme ud af dem.

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.

Denne lyd er produceret på historiens originalsprog!

Hvordan Nikita Kotsehub Bridges AI Research med Real-World Enterprise Solutions

About Author

KOMMENTARER

HÆNG TAGS

DENNE ARTIKEL BLEV PRÆsenterET I

Related Stories

Meet MinIO: The HackerNoon Company of the Week

Meet Stellar: HackerNoon Company of the Week

Meet Octopus Network: HackerNoon Company of the Week

Meet inDrive: The HackerNoon Company of the Week

Meet MinIO: The HackerNoon Company of the Week

Meet Stellar: HackerNoon Company of the Week

Meet Octopus Network: HackerNoon Company of the Week

Meet inDrive: The HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps