Construire de l'IA qui se comporte comme un collègue fiable plutôt qu'une expérience imprévisible est actuellement l'un des problèmes les plus difficiles de l'ingénierie.La plupart des systèmes peuvent réussir dans une démonstration mais tomber dans le désordre imprévisible du déploiement dans le monde réel. Pour l’ingénieur Pranav Pawar, résoudre ce fossé est devenu le centre de son travail.A travers des rôles comprenant l’analyse des risques, l’automatisation des soins de santé et maintenant l’infrastructure marketing de la start-up Kalos, il se concentre sur le principe de base de rendre l’IA fiable et fiable avant tout. Pourquoi la plupart des AI échouent avant qu'ils ne s'échelonnent La plupart des systèmes peuvent fonctionner très bien dans des démonstrations contrôlées, seulement pour débloquer dans la production lorsqu'ils sont confrontés à la complexité de la façon dont les équipes fonctionnent généralement, ce qui signifie généralement traiter avec moins de données polies, un comportement d'utilisateur imprévisible ou la demande implacable de temps d'exploitation. Les entreprises ont besoin de systèmes qu’elles pensent pouvoir faire confiance, ce qui signifie qu’elles devraient s’adapter aux changements de réglementation, gérer des données complexes et produire des résultats que les humains peuvent vérifier.Toutefois, trop souvent, le flux de travail est divisé en différents agents d’IA, chacun en charge d’une tâche – qu’il s’agisse de la création de texte, de la catégorisation des données ou de l’optimisation des offres isolées – tout en forçant efficacement les gens à se connecter manuellement aux plates-formes qui devaient leur faire gagner du temps. Le résultat est l'IA qui manque d'une architecture appropriée qui permet aux composants indépendants de communiquer.C'est le défi auquel Pranav Pawar a construit sa carrière. Les premiers travaux d'ingénierie de Pawar Formé en ingénierie des matériaux à IIT Madras, Pawar a commencé sa carrière professionnelle à Bain Capital Ventures, où il a rejoint un petit groupe d'ingénierie axé sur l'infrastructure d'apprentissage automatique pour l'analyse des transactions. Il a d’abord commencé à travailler avec l’IA génératrice lorsqu’il a rejoint ClarityCare, une start-up de soins de santé qui aborde l’automatisation de l’autorisation préalable pour les assureurs. Pawar a construit le backend à partir de zéro, traitant de vrais dossiers médicaux sans violer les normes de confidentialité et d’audit. Au lieu d’essayer de remplacer les évaluateurs humains, il a introduit une couche de vérification qui permet aux infirmières de confirmer les résumés de rapports générés par l’IA. Le système a effectivement connu un succès, réduisant le temps de travail manuel d’environ 15%. Ces expériences ont remanié la façon dont Pawar pensait à l’IA. Chez Bain, il a vu comment les modèles nécessitaient un ajustement constant pour les maintenir en marche. Chez ClarityCare, cette compréhension a pris un nouveau poids, où la précision était une nécessité pour les patients et les cliniciens réels en fonction des résultats. Cela lui a permis de voir de première main que la fiabilité ne devrait pas être considérée comme un objectif secondaire, mais comme un atout clé qui garantit que l’IA peut être utile dans les environnements du monde réel. « La fiabilité est ce qui sépare un produit d’un projet », dit-il. « Vous apprenez rapidement que la partie difficile n’est pas de faire penser l’IA. Inside Kalos : automatiser les campagnes marketing Cet accent mis sur la fiabilité est ce que Pawar applique maintenant en tant qu'ingénieur fondateur chez , une société qui construit ce qu'ils appellent une plate-forme de marketing alimentée par un agent d'IA construite pour simplifier les parties les plus longues de la publicité B2B. L'objectif de l'entreprise est de transformer les flux de travail de marketing fragmentés en boucles coordonnées et automatisées. Kalos La plateforme Kalos fonctionne sur un réseau coordonné d’agents, chacun traitant d’une partie distincte du processus publicitaire.L’un analyse les appels de vente d’une entreprise, les courriels prospectifs et les notes CRM pour mieux comprendre ce qui conduit aux conversions; un autre conçoit des annonces complètes du texte aux images; un troisième gère l’audience, triant à travers divers critères pour identifier des cibles de haute valeur; un quatrième optimise les campagnes en ajustant les offres et en exécutant les annonces les plus fortes; et un agent final évalue les performances de la campagne, correspondant aux mesures avec les opportunités CRM et le pipeline pour montrer le ROI. Ensemble, ils transforment ce qui était autrefois un processus manuel en un cycle de rétroaction axé sur les données de recherche, d’exécution d’annonces et de maintenance. Sous cette interface se trouve le problème que Pawar passe la majeure partie de son temps à résoudre : l'orchestration. Chaque agent dépend de la sortie d'un autre, et une erreur peut s'accumuler dans l'ensemble du système. Son travail consiste à s'assurer que ces dépendances se résolvent correctement, ce qui signifie: refacter le code gênant, s'assurer que la logique est cohérente entre tous les agents, et rendre le produit suffisamment résilient pour servir des centaines de clients. Les leçons sur la construction d'un AI durable Le travail de Pranav Pawar offre quelques leçons tirées directement des systèmes qu’il a construits sur la façon de s’assurer que l’IA est fiable, spécifique et utilisable dans la production. Chaque projet de Pawar a commencé avec une barrière concrète : autorisation préalable manuelle dans les soins de santé, analyse fragmentée chez Bain, gestion de la publicité répétitive chez Kalos – chacune nécessitant des solutions pour résoudre des problèmes spécifiques. Gardez les humains dans la boucle : Chez ClarityCare, il a vu que l’automatisation ne réussit que lorsque les gens restent une partie du processus. Prototypes séparés des produits : chez Bain, Pawar a réalisé que prendre un modèle en direct signifiait une reconstruction et une surveillance constantes. Construire autour des mesures d'affaires : que ce soit pour optimiser les flux de travail d'assurance ou les performances marketing, Pawar s'est concentré sur des facteurs tels que le débit, l'efficacité et la conversion pour mesurer le succès de ses modèles. Design à long terme : chez Kalos, chaque agent est construit pour apprendre continuellement des données de campagne en cours, ce qui est crucial pour que le système reste efficace à mesure que les marchés et le comportement des clients changent au fil du temps. Il ne traite pas l’IA comme une solution unique mais comme un logiciel appliqué construit pour résoudre des problèmes spécifiques de manière à durer. « L’ingénierie d’IA n’est pas un hype, dit-il.

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.

Cet audio est produit dans la langue originale de l'histoire !

Au-delà de l'hype: Pranav Pawar sur la façon de construire une AI fiable dans la production

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Le modèle Bitcoin UTXO, alimentant un écosystème unique

La fuite de l'invite du système Claude Sonnet 3.5 : une analyse médico-légale

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Le modèle Bitcoin UTXO, alimentant un écosystème unique

La fuite de l'invite du système Claude Sonnet 3.5 : une analyse médico-légale

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps