Der Aufbau von KI, die sich wie ein zuverlässiger Kollege und nicht wie ein unvorhersehbares Experiment verhält, ist derzeit eines der schwierigsten Probleme in der Technik. Für Ingenieur Pranav Pawar ist die Lösung dieser Lücke zum Mittelpunkt seiner Arbeit geworden.Mit Rollen in den Bereichen Venture-Analyse, Gesundheitsautomatisierung und jetzt Marketing-Infrastruktur bei Start-up Kalos konzentriert er sich auf das Grundprinzip, KI zuverlässig und vertrauenswürdig vor allem zu machen. Warum die meisten KI scheitern, bevor sie skalieren Die meisten Systeme können in kontrollierten Demos sehr gut funktionieren, nur um in der Produktion zu entfalten, wenn sie mit der Komplexität konfrontiert sind, wie Teams typischerweise arbeiten, was typischerweise bedeutet, dass sie sich mit weniger polierten Daten, unberechenbarem Benutzerverhalten oder der unermüdlichen Nachfrage nach Betriebszeiten befassen. Unternehmen benötigen Systeme, denen sie vertrauen können, was bedeutet, dass sie sich an wechselnde Vorschriften anpassen, komplexe Daten behandeln und Ergebnisse produzieren müssen, die von Menschen überprüft werden können.Aber zu oft ist der Workflow in verschiedene KI-Agenten unterteilt, die jeweils für eine Aufgabe verantwortlich sind - ob es sich um das Erstellen von Text, die Kategorisierung von Daten oder die Optimierung von Angeboten in Isolation handelt - und gleichzeitig effektiv Menschen zwingen, Plattformen manuell zu verbinden, die ihnen Zeit sparen sollten. Das Ergebnis ist die KI, die keine richtige Architektur hat, die es unabhängigen Komponenten ermöglicht, miteinander zu kommunizieren. Pawars frühe Ingenieurarbeit Pawars berufliche Laufbahn begann bei Bain Capital Ventures, wo er sich einer kleinen Ingenieurgruppe anschloss, die sich auf die Infrastruktur des maschinellen Lernens für die Deal-Sourcing-Analyse konzentrierte. Pawar baute die grundlegenden ML-Modelle und entwarf modulare Datenleitungen, die Modelle von Jupyter-Notebooks in stabile APIs verlagerten, sodass alle Arten von Teams sie nutzen konnten. Er begann mit generativer KI zu arbeiten, als er sich ClarityCare anschloss, einem Gesundheitsstartup, das sich mit der Automatisierung vor der Genehmigung für Versicherer befasst. Pawar baute das Backend von Grund auf und verarbeitete echte medizinische Aufzeichnungen, ohne die Datenschutz- und Prüfstandards zu verletzen. Anstatt zu versuchen, menschliche Revisoren zu ersetzen, führte er eine Verifizierungsschicht ein, die Krankenschwestern erlaubte, AI-generierte Zusammenfassungen von Berichten zu bestätigen. Bei Bain sah er, wie Modelle eine ständige Feinstellung benötigten, um sie laufen zu lassen. Bei ClarityCare nahm dieser Einblick ein neues Gewicht an, wo Genauigkeit für echte Patienten und Kliniker je nach Ergebnissen eine Notwendigkeit war. Es ließ ihn aus erster Hand sehen, dass Zuverlässigkeit nicht als sekundäres Ziel betrachtet werden sollte, sondern als ein Schlüsselelement, das garantiert, dass KI in realen Einstellungen richtig nützlich sein kann. „Die Zuverlässigkeit ist das, was ein Produkt von einem Projekt trennt“, sagt er. „Sie lernen schnell, dass der harte Teil nicht darin besteht, die KI zu denken. Inside Kalos: Automatisierung von Marketingkampagnen Dieser Fokus auf Zuverlässigkeit ist das, was Pawar jetzt als Gründungsingenieur anwendet. , ein Unternehmen, das aufbaut, was sie eine AI-agent-gestützte Marketingplattform nennen, die entwickelt wurde, um die zeitaufwendigsten Teile der B2B-Werbung zu vereinfachen. Kalos Die Kalos-Plattform läuft auf einem koordinierten Netzwerk von Agenten, die jeweils einen unterschiedlichen Teil des Werbeprozesses verwalten.Einer analysiert die Verkaufsanrufe eines Unternehmens, potenzielle E-Mails und CRM-Notizen, um besser zu verstehen, was die Conversions treibt; ein anderer entwirft vollständige Anzeigen von Text zu Bildern; ein dritter verwaltet das Publikum und sortiert durch verschiedene Kriterien, um hochwertige Ziele zu identifizieren; ein vierter optimiert Kampagnen, indem er Angebote anpasst und die stärksten Anzeigen ausführt; und ein endgültiger Agent bewertet die Leistung der Kampagne, indem er Metriken mit CRM-Möglichkeiten und Pipeline kombiniert, um ROI zu zeigen. Gemeinsam verwandeln sie, was einst ein manueller Prozess war, in eine datengesteuerte Feedback-Schleife von Forschung, Werbeausführung und Wartung. Unter dieser Schnittstelle liegt das Problem, das Pawar die meiste Zeit damit verbringt, zu lösen: Orchestrierung. Jeder Agent hängt von der Ausgabe eines anderen ab, und ein Fehler kann über das gesamte System kaschieren. Sein Job besteht darin, sicherzustellen, dass diese Abhängigkeiten sauber gelöst werden, was bedeutet: Unordentliche Code neu zu reflektieren, sicherzustellen, dass die Logik über alle Agenten hinweg konsistent ist und das Produkt widerstandsfähig genug macht, um Hunderte von Kunden zu bedienen. „Nur ein kleiner Teil der KI geht um die Modelle“, sagt er. „Der Rest ist die Technik, die es zuverlässig und skalierbar macht.“ Lektionen zum Aufbau einer dauerhaften AI Pranav Pawars Arbeit bietet einige Lektionen, die direkt aus den Systemen gezogen wurden, auf denen er aufgebaut wurde, wie man sicherstellen kann, dass KI in der Produktion zuverlässig, spezifisch und einsetzbar ist. Den Schmerzpunkt zuerst ansprechen: Jedes Pawar-Projekt hat mit einer konkreten Flasche begonnen: manuelle vorherige Genehmigung in der Gesundheitsversorgung, fragmentierte Analysen bei Bain, repetitives Werbemanagement bei Kalos – jedes Projekt benötigt Lösungen für spezifische Probleme. Halten Sie die Menschen in der Schleife: Bei ClarityCare sah er, dass die Automatisierung nur dann gelingt, wenn die Menschen Teil des Prozesses bleiben. Separate Prototypen von Produkten: Bei Bain hat Pawar erkannt, dass ein Live-Modell einen ständigen Wiederaufbau und eine ständige Überwachung bedeutet. Entweder bei der Optimierung von Versicherungs-Workflows oder der Marketingleistung konzentrierte sich Pawar auf Faktoren wie Durchsatz, Effizienz und Conversion, um den Erfolg seiner Modelle zu messen. Design für den langen Zeitraum: Bei Kalos ist jeder Agent so aufgebaut, dass er kontinuierlich aus laufenden Kampagnendaten lernt, was für das System entscheidend ist, um effizient zu bleiben, da sich das Verhalten von Märkten und Kunden im Laufe der Zeit ändert. Er behandelt die KI nicht als eine One-Size-Fit-All-Lösung, sondern als angewandte Software, die entwickelt wurde, um spezifische Probleme auf eine Weise zu lösen, die dauerhaft ist. „AI-Engineering geht nicht um Hype“, sagt er. „Es geht darum, echte Probleme zuverlässig und im Maßstab zu lösen.“

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.

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Über den Hype hinaus: Pranav Pawar über den Aufbau zuverlässiger KI in der Produktion

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our AI Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon Decoded 2024: Wir feiern unsere Gaming-Community!

HackerNoon Decoded 2024: Celebrating Our Startups Community!

HackerNoon Decoded 2024: Celebrating Our AI Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon Decoded 2024: Wir feiern unsere Gaming-Community!

HackerNoon Decoded 2024: Celebrating Our Startups Community!

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps