El tráfico crece de manera desigual, las suposiciones dejan de mantenerse, y las decisiones de diseño que una vez se sintieron menores comienzan a dar forma a todo lo que sigue. Este artículo traza la carrera de ingeniería de Sai Sreenivas Kodur, desde la construcción de sistemas de búsqueda y recomendación a gran escala en el comercio electrónico hasta las principales plataformas de IA empresarial y productos de datos específicos de dominio. A lo largo del camino, analiza cómo el trabajo a escala cambia el enfoque de un ingeniero de los componentes individuales a las bases de la plataforma, los flujos de trabajo de datos y las estructuras de equipo, especialmente a medida que la IA cambia la forma en que se construye el software. Fundamentos tempranos en sistemas y aprendizaje automático Sai Sreenivas Kodur completó sus estudios de licenciatura y maestría en Ciencias de la Computación e Ingeniería en el Instituto Indiano de Tecnología, Madras. Durante sus estudios de pregrado y posgrado, se centró en compiladores y aprendizaje automático.Su investigación exploró cómo las técnicas de aprendizaje automático se podrían aplicar para mejorar el rendimiento del software en entornos de hardware heterogéneo. Este trabajo requería pensar a través de capas.El rendimiento se trataba como un resultado a nivel del sistema, formado por algoritmos, modelos de ejecución y restricciones de hardware que trabajaban juntos. Al final de la escuela de posgrado, el resultado más duradero de esta formación no fue la familiaridad con herramientas específicas, sino la capacidad de aprender nuevos sistemas profundamente y adaptarse a los contextos técnicos cambiantes. Sistemas de búsqueda y recomendación a escala Los primeros roles de Sai en la industria involucraron la construcción y el liderazgo de sistemas de búsqueda y recomendación en grandes plataformas de comercio electrónico indias, incluyendo Myntra y Zomato. Estos sistemas soportaron la indexación, búsqueda y clasificación a través de catálogos de más de un millón de artículos que cambian con frecuencia. En esta escala, el comportamiento del sistema reflejó múltiples restricciones competitivas. la frescura del índice tuvo que ser equilibrada con los requisitos de latencia. La calidad de la clasificación dependía de las tuberías de datos, la fiabilidad de la infraestructura y el comportamiento del modelo operando juntos. Las decisiones de diseño que parecían correctas en aislamiento se comportaron de manera diferente una vez expuestos a patrones de tráfico reales, señales retrasadas y distribución desigual de la carga. Este trabajo reforzó la importancia de alinear el diseño técnico con los patrones de uso del producto. Las mejoras en la relevancia o el rendimiento requerieron la coordinación entre los sistemas distribuidos, la ingestión de datos y el comportamiento de las aplicaciones en lugar de cambios aislados en los componentes individuales. Entorno de inicio y exposición de ingeniería más amplia A principios de su carrera, Sai optó por trabajar principalmente en entornos de startups. Estas funciones ofrecieron exposición a una amplia gama de responsabilidades de ingeniería, incluyendo el diseño del sistema, las operaciones de producción y la estrecha colaboración con los equipos de productos y negocios. En estos entornos, los efectos de las elecciones arquitectónicas surgieron rápidamente.Los sistemas con fundaciones débiles necesitaban una reestructuración frecuente a medida que aumentaba el uso.Los sistemas construidos con abstracciones precisas y tuberías fiables eran más fáciles de extender con el tiempo. Los sistemas fueron definidos no sólo por el código e infraestructura, sino también por cómo trabajaban los equipos, cómo se tomaban las decisiones y cómo se mantenían las plataformas a medida que crecían. Construir sistemas de inteligencia alimentaria en Spoonshot Sai más tarde cofundó Spoonshot y sirvió como su director de tecnología. Spoonshot se centró en la construcción de una plataforma de inteligencia de datos para la industria de alimentos y bebidas.El sistema principal, Foodbrain, combinó más de 100 terabytes de datos alternativos de más de 30,000 fuentes con modelos de IA y conocimiento específico de alimentos. Esta fundación impulsó Genesis, un producto utilizado por marcas de alimentos globales como PepsiCo, Coca-Cola y Heinz para apoyar la innovación y las decisiones de desarrollo de productos. Construir Foodbrain involucró trabajar con fuentes de datos ruidosas, los cambios en los requisitos de dominio y las expectativas de fiabilidad de la empresa. Bajo el liderazgo técnico de Sai, Spoonshot recaudó más de 4 millones de dólares en financiación de riesgo y se expandió a un equipo de más de 50 en Estados Unidos e India. Durante este período, introdujo prácticas de IA centradas en datos al crear una función de operaciones de datos dedicada junto al equipo de ciencia de datos. Esto redujo el tiempo de vuelta para el desarrollo de nuevos modelos en un 60%, manteniendo la precisión por encima del 90%. Plataformas de IA empresarial y fiabilidad Más tarde, Sai sirvió como Director de Ingeniería en ObserveAI, donde lideró los equipos de ingeniería de plataformas, análisis y productos empresariales. La plataforma apoyó a clientes empresariales como DoorDash, Uber, Swiggy y Asurion. Estos clientes tenían expectativas estrictas en torno a la fiabilidad, el rendimiento y la visibilidad operativa. Escalar la plataforma para apoyar un aumento de 10 veces en el uso requirió cambios en toda la infraestructura, las rutas de ingestión de datos y las prácticas de observabilidad. Junto con la escalada técnica, Sai se centró en la construcción de la capacidad de liderazgo de ingeniería, ayudó a definir los marcos de contratación, llevó a cabo más de 130 entrevistas y contrató a líderes de ingeniería para apoyar el desarrollo a largo plazo de la plataforma. Como las plataformas crecen más complejas, los procesos de coordinación, propiedad y toma de decisiones se convierten en parte del sistema técnico. De la ingeniería de sistemas a los equipos nativos de IA A través de sus roles, Sai mantuvo una participación práctica al tiempo que se expandió gradualmente a responsabilidades de liderazgo técnico más amplias. Su énfasis se desplazó cada vez más hacia las bases de la plataforma y los flujos de trabajo que permiten a los equipos trabajar de manera efectiva con los sistemas complejos de datos y IA. La mentoría de los ingenieros superiores e inversión en abstracciones precisas se convirtieron en partes esenciales de este trabajo. Sus publicaciones de investigación reflejan este enfoque práctico. y » Examinó cómo la IA puede apoyar los flujos de trabajo de producto e ingeniería. Genesis: Inteligencia de la innovación alimentaria Debugmate: un agente de IA para el desmantelamiento eficiente en llamadas en sistemas de producción complejos" Debugmate demostró una reducción del 77% en la carga de llamada al ayudar a los ingenieros con la clasificación de incidentes utilizando datos de observabilidad y contexto del sistema. Fundamentos de ingeniería a largo plazo Mirando a través de la carrera de Sai Sreenivas Kodur, un tema consistente es la énfasis en los sistemas de construcción que permanecen confiables a medida que la complejidad aumenta. A medida que la IA acelera el desarrollo de software, este enfoque se vuelve más crítico, especialmente cuando los equipos comienzan a construir realmente. En lugar de estratificar la IA en arquitecturas existentes, los agentes de IA introducen nuevas cargas de trabajo y diferentes patrones de uso del sistema.Las plataformas de datos e infraestructura originalmente diseñadas para los usuarios humanos deben adaptarse para apoyar estos cambios. Equipos de software nativos Equipos de software nativos En lugar de centrarse en los beneficios de la productividad individual, este trabajo se centra en las bases de la plataforma, los flujos de trabajo de datos y las estructuras de equipo que pueden escalarse con el tiempo. La carrera refleja un enfoque de ingeniería basado en la claridad, la durabilidad y el impacto a largo plazo. Siguiente Entrada siguiente: Sai Sreenivas Kodur – Imagen de LinkedIn Siguiente: Sai Sreenivas Kodur – Imagen. Linkedin Linkedin Linkedin

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

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

Ingeniería a escala: de los sistemas de búsqueda a las plataformas y productos de datos nativos de IA

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

El modelo Bitcoin UTXO, impulsando un ecosistema único

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

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

El modelo Bitcoin UTXO, impulsando un ecosistema único

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

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps