La IA ofrece a las empresas nuevas maneras de pasar por grandes pedazos de información, encargarse de tareas que tardan tiempo y detectar patrones más sutiles dentro de los datos.Pero aunque estos sistemas a menudo muestran promesa durante las pruebas, eso no significa que no lucharán una vez que estén desplegados, tratando con condiciones donde los datos y la infraestructura técnica son inconsistentes y los flujos de trabajo están fragmentados. Su trabajo lo ha visto diseñar soluciones para pilotos agrícolas rurales, investigación académica y implementaciones de IA a gran escala, y a lo largo de los años ha visto de primera mano cómo esta tecnología se comporta una vez que sale del laboratorio. Nikita Kotsehub Construir la intuición del producto desde el campo Creciendo en Ucrania, Kotsehub comenzó a dar forma a su sentido de cómo la tecnología puede hacer la diferencia cuando los recursos son escasos y las restricciones son inevitables.Esta perspectiva lo siguió a la Universidad de Minerva, donde vivió y estudió en cinco países, trabajando con organizaciones locales sobre desafíos tecnológicos que rara vez coincidían con los supuestos de los libros de texto. Sus lecciones más formativas a lo largo de este tiempo provenían de proyectos que implicaban sentarse con los usuarios, escuchar cómo describían sus mayores desafíos, y ver dónde se rompieron los sistemas.Limitaciones de los dispositivos en las zonas rurales, la fragilidad de los flujos de trabajo dentro de las grandes organizaciones, y la brecha entre cómo los ingenieros imaginan un problema y cómo se pone en práctica - todos estos elementos formaron su visión de lo que hace que el software sea verdaderamente útil. Describe un principio que desarrolló durante esos proyectos: los ingenieros de productos más fuertes tienden a ser aquellos que han sentido la fricción del uso real. Esta énfasis en la inmersión sería crucial para cómo abordó su trabajo profesional. “La tecnología no se trata de modelos abstractos”, explica, “se trata de resolver problemas que afectan directamente a la vida de las personas”. Los avances en el aprendizaje federado con FLoX Estas lecciones se alimentaron directamente en una de las primeras contribuciones de Kotsehub a la comunidad de investigación: , un marco de código abierto que desarrolló en la Universidad de Chicago Globus Labs. Flóx El proyecto tenía como objetivo abordar una gran brecha enfrentada por los investigadores al experimentar con el aprendizaje federado, un proceso que capacita a los modelos localmente en cada dispositivo en lugar de enviar datos a un servidor central. FLoX abordó esta barrera utilizando un modelo Function-as-a-Service que despachaba y coordinaba automáticamente tareas de computación en una variedad de dispositivos, que los equipos podrían usar para ejecutar flujos de trabajo federados sin construir sus propios sistemas de orquestación. El marco de Kotsehub se mostró útil más allá de las condiciones de laboratorio controladas. Su diseño permitió probar la IA en lugares con conectividad inconsistente, incluidos los proyectos agrícolas rurales donde los agricultores se basaban en dispositivos maníacos para seguir las condiciones de las cosechas. La influencia de FLoX se amplió a medida que otros investigadores construyeron la arquitectura. se convirtió en la base para múltiples extensiones académicas, incluyendo , un sucesor espiritual de FLoX que adaptó el diseño original para configuraciones jerárquicas de aprendizaje federado y más configuraciones alineadas con la producción. Colectivamente, FLoX y sus proyectos sucesores han apoyado la investigación en todo el aprendizaje distribuido, la agricultura de precisión y los sistemas ML sin servidor en universidades y laboratorios nacionales. vuelo Transformar los flujos de trabajo de la empresa Durante los últimos años, Kotsehub ha estado trabajando en Palantir como ingeniero avanzado, donde ha trabajado directamente con varias compañías de Fortune 100 en un momento en el que muchos apenas estaban empezando a explorar cómo los grandes modelos de idiomas podrían encajar en su trabajo diario. El trabajo significó integrar estos sistemas avanzados en estructuras de datos antiguas, estandarizar los formatos de entrada de datos y desactivar procesos que históricamente se habían hecho manualmente.Y para muchas empresas con sistemas legados en lugar, la integración requería el manejo cuidadoso de entradas largas, inconsistentes o incluso contradictorias que estos modelos podrían encontrar en flujos de trabajo reales. Una vez que las empresas vieron que estos sistemas operaban en tiempo real, el impacto se hizo más fácil de comprender. Un claro ejemplo Kotsehub recuerda que vino de un proyecto de seguros con una amplia línea de subcontratación. Decenas de documentos tuvieron que ser revisados y supervisados, y cada caso se movía lentamente a través del sistema. Al introducir un flujo de trabajo impulsado por LLM que podía extraer información crítica de estos documentos automáticamente, redujo un largo proceso manual a algo que se podía hacer en cuestión de horas. Como Kotsehub lo dice, “El despliegue de LLMs en sistemas empresariales legados nos enseñó cómo hacer que la IA sea útil y confiable”. De las lecciones de campo a la construcción de mejores productos Después de varios años ayudando a las empresas a integrar los LLM en sus flujos de trabajo, Kotsehub se trasladó a la ingeniería de productos, uniéndose al equipo responsable de una plataforma utilizada por miles de organizaciones.El cambio fue una extensión natural de su trabajo anterior, y considera los desafíos que vio durante las implementaciones de clientes (desde las limitaciones de los dispositivos laterales a los flujos de trabajo de la empresa frágiles) para ahora orientar cómo evalúa las características destinadas a un uso mucho más amplio. En este papel, es responsable de construir herramientas de IA que los usuarios no técnicos puedan operar, con su enfoque informado por los desafíos que asistió junto a los clientes.El trabajo requiere equilibrar la función interna del producto con las realidades de cómo será adoptado por los usuarios individuales, un equilibrio que aprendió a través de años de abordar fallos, brechas de integración y barreras de flujo de trabajo en entornos de producción. “Cada reto que enfrento en la implementación informa de cómo construyo ahora”, dice. “Se trata de cerrar el bucle entre el problema y el producto”. La carrera de Nikita Kotsehub apunta a un único principio: para que la IA sea implementada con éxito, tanto los ingenieros como las empresas necesitan tener una comprensión de primera mano de cómo las personas están utilizando estos sistemas y lo que esperan salir de ellos.

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.

Este audio es producido en el idioma original de la historia!

Cómo Nikita Kotsehub conecta la investigación de IA con soluciones empresariales del mundo real

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Una breve introducción a la teoría del cerebro de Boltzmann

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Una breve introducción a la teoría del cerebro de Boltzmann

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps