Construir una IA que se comporte como un compañero confiable en lugar de un experimento impredecible es actualmente uno de los problemas más difíciles en la ingeniería. Para el ingeniero Pranav Pawar, resolver esa brecha se ha convertido en el centro de su trabajo.A través de roles que abarcan la analítica de riesgo, la automatización de la atención médica y ahora la infraestructura de marketing en la startup Kalos, se ha centrado en el principio básico de hacer que la IA sea confiable y confiable sobre todo.Su enfoque se centra en construir agentes que no solo funcionen una vez, sino que continúen trabajando bajo presión - sistemas diseñados para adaptarse, iterarse y entregar resultados consistentes. Por qué la mayoría de las IA fallan antes de escalar La mayoría de los sistemas pueden desempeñar muy bien en demostraciones controladas, solo para desbloquear en la producción cuando se enfrentan a la complejidad de cómo trabajan los equipos típicamente, lo que normalmente significa lidiar con menos datos pulidos, comportamiento de usuario impredecible o la demanda implacable de tiempo de funcionamiento. Las empresas necesitan sistemas en los que sienten que pueden confiar, lo que significa que deben adaptarse a cambios en la reglamentación, manejar datos complejos y producir resultados que los humanos puedan verificar.Todavía demasiado a menudo, el flujo de trabajo se divide en diferentes agentes de IA, cada uno encargado de una tarea -ya sea la creación de texto, la categorización de datos o la optimización de ofertas aisladas- mientras que efectivamente forzan a las personas a conectar manualmente a plataformas que se suponía que les ahorrarían tiempo. El resultado es la IA que carece de una arquitectura adecuada que permita a los componentes independientes comunicarse.Este es el desafío al que Pranav Pawar ha construido su carrera. Los primeros trabajos de ingeniería de Pawar Entrenado en Ingeniería de Materiales en IIT Madras, Pawar comenzó su carrera profesional en Bain Capital Ventures, donde se unió a un pequeño grupo de ingeniería enfocado en la infraestructura de aprendizaje automático para el análisis de transacciones. Pawar construyó los modelos básicos de ML y diseñó tuberías de datos modulares que trasladaron modelos de portátiles Jupyter a APIs estables, asegurando que todo tipo de equipos pudieran usarlos. Comenzó a trabajar con la IA generativa cuando se unió a ClarityCare, una startup de atención médica que aborda la automatización de pre-autorización para las aseguradoras. Pawar construyó el backend desde cero, procesando registros médicos reales sin violar los estándares de privacidad y auditoría. En lugar de tratar de reemplazar a los revisores humanos, introdujo una capa de verificación que permitió a las enfermeras confirmar los resúmenes de informes generados por IA. El sistema fue efectivamente un éxito, reduciendo el tiempo de trabajo manual en alrededor del 15%. Estas experiencias remodelaron la forma en que Pawar pensaba sobre la IA. En Bain, vio cómo los modelos necesitaban un ajuste constante para mantenerlos en funcionamiento. En ClarityCare, esa visión tomó un nuevo peso, donde la precisión era una necesidad para los pacientes y los médicos reales dependiendo de los resultados. Le hizo ver de primera mano que la fiabilidad no debería ser pensada como un objetivo secundario, sino como un activo clave que garantiza que la IA puede ser adecuadamente útil en entornos del mundo real. “La fiabilidad es lo que separa un producto de un proyecto”, dice. Inside Kalos: Automatización de campañas de marketing Este enfoque en la fiabilidad es lo que Pawar ahora aplica como ingeniero fundador en , una compañía que construye lo que llaman una plataforma de marketing impulsada por agentes de IA construida para simplificar las partes más demoradas de la publicidad B2B. El objetivo de la compañía es convertir los flujos de trabajo de marketing fragmentados en circuitos coordinados y automatizados. Kalos La plataforma Kalos se ejecuta en una red coordinada de agentes, cada uno gestionando una parte distinta del proceso de publicidad. uno analiza las llamadas de ventas de una empresa, los correos electrónicos de prospección y las notas de CRM para comprender mejor qué impulsa las conversiones; otro diseña anuncios completos de texto a imágenes; un tercero gestiona la audiencia, clasificando a través de varios criterios para identificar objetivos de alto valor; un cuarto optimiza las campañas ajustando las ofertas y ejecutando los anuncios más fuertes; y un agente final evalúa el rendimiento de la campaña, ajustando las métricas con oportunidades de CRM y el canal para mostrar el ROI. Juntos, convierten lo que una vez fue un proceso manual en un ciclo de retroalimentación basado en datos de investigación, ejecución de anuncios y mantenimiento. Debajo de esa interfaz se encuentra el problema que Pawar pasa la mayor parte de su tiempo resolviendo: orquestación. Cada agente depende de la salida de otro, y un error puede cascarse en todo el sistema. Su trabajo es asegurarse de que esas dependencias resuelvan limpiamente, lo que significa: refaccionar el código desordenado, asegurarse de que la lógica sea consistente en todos los agentes, y hacer que el producto sea lo suficientemente resiliente como para servir a cientos de clientes. Lecciones sobre la construcción de AI duradera El trabajo de Pranav Pawar ofrece algunas lecciones extraídas directamente de los sistemas que ha construido sobre cómo asegurarse de que la IA sea confiable, específica y usable en la producción. Abordar primero el punto doloroso: cada proyecto Pawar ha liderado comenzó con una botella de concreto: autorización previa manual en el cuidado de la salud, análisis fragmentado en Bain, gestión repetitiva de anuncios en Kalos, cada uno necesitando soluciones para abordar problemas específicos. Mantener a los humanos en el ciclo: En ClarityCare, vio que la automatización sólo tiene éxito cuando las personas siguen siendo parte del proceso. Las enfermeras revisaron los resúmenes generados por IA en lugar de ser reemplazados por ellos, creando un sistema que reforzó la confianza. Prototipos separados de los productos: En Bain, Pawar se dio cuenta de que tomar un modelo en vivo significaba una constante reconstrucción y supervisión. Construye en torno a las métricas de negocio: ya sea optimizando los flujos de trabajo de seguros o el rendimiento de marketing, Pawar se centró en factores como el rendimiento, la eficiencia y la conversión para medir el éxito de sus modelos. Diseño a largo plazo: En Kalos, cada agente está construido para aprender continuamente de los datos de la campaña en curso, lo que es crucial para que el sistema permanezca efectivo a medida que los mercados y el comportamiento del cliente cambian con el tiempo. Ellos no tratan la IA como una solución de tamaño único, sino como software aplicado construido para resolver problemas específicos de maneras que duran. “la ingeniería de IA no se trata de hype”, dice. “Se trata de resolver problemas reales de manera fiable y a escala”.

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!

Más allá del hype: Pranav Pawar sobre cómo construir una IA fiable en la producción

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

Cómo mejorar su flujo de trabajo 10 veces: 17 aplicaciones esenciales

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

Cómo mejorar su flujo de trabajo 10 veces: 17 aplicaciones esenciales

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps