Le trafic augmente de manière inégale, les hypothèses cessent de tenir, et les décisions de conception qui se sentaient autrefois mineures commencent à façonner tout ce qui suit. Cet article trace la carrière d'ingénieur de Sai Sreenivas Kodur, de la construction de systèmes de recherche et de recommandation à grande échelle dans le commerce électronique aux plateformes d'IA d'entreprise de premier plan et aux produits de données spécifiques au domaine. Au fil du chemin, il examine comment le travail à l’échelle déplace l’attention d’un ingénieur des composants individuels aux fondations de plateformes, aux flux de travail de données et aux structures d’équipe, en particulier au fur et à mesure que l’IA change la façon dont le logiciel est construit. Fondements précoce dans les systèmes et l'apprentissage automatique Sai Sreenivas Kodur a terminé ses diplômes de baccalauréat et de maîtrise en informatique et ingénierie à l'Institut indien de technologie, Madras. Au cours de ses études de premier cycle et de troisième cycle, il s'est concentré sur les compilateurs et l'apprentissage automatique.Sa recherche a exploré comment les techniques d'apprentissage automatique pouvaient être appliquées pour améliorer les performances des logiciels dans des environnements matériels hétérogènes. Ce travail a nécessité la réflexion sur plusieurs niveaux.La performance a été traitée comme un résultat au niveau du système façonné par des algorithmes, des modèles d'exécution et des contraintes matérielles qui travaillent ensemble. À la fin de l'école de troisième cycle, le résultat le plus durable de cette formation n'était pas la connaissance d'outils spécifiques, mais la capacité d'apprendre de nouveaux systèmes en profondeur et de s'adapter aux contextes techniques changeants. Systèmes de recherche et de recommandation à l'échelle Les premiers rôles de Sai dans l'industrie impliquaient la construction et la conduite de systèmes de recherche et de recommandation sur de grandes plateformes de commerce électronique indiennes, notamment Myntra et Zomato. Ces systèmes prennent en charge l'indexation, la recherche et le classement dans les catalogues de plus d'un million d'articles qui changent fréquemment. À cette échelle, le comportement du système reflétait plusieurs contraintes concurrentielles.La fraîcheur de l'index devait être équilibrée par rapport aux exigences de latence.La qualité du classement dépendait des pipelines de données, de la fiabilité de l'infrastructure et du comportement du modèle fonctionnant ensemble. De nombreux problèmes n'ont surgi qu'après le déploiement.Les décisions de conception qui semblaient correctes en isolement se sont comportées différemment une fois exposées aux modèles de trafic réels, aux signaux retardés et à la répartition inégale de la charge. Ces travaux ont renforcé l’importance de l’alignement de la conception technique avec les modèles d’utilisation des produits.Les améliorations de la pertinence ou des performances nécessitent une coordination entre les systèmes distribués, l’ingestion de données et le comportement des applications plutôt que des modifications isolées des composants individuels. Environnements de démarrage et expositions d'ingénierie plus larges Au début de sa carrière, Sai a choisi de travailler principalement dans des environnements de start-up. Ces rôles ont permis l'exposition à un large éventail de responsabilités d'ingénierie, notamment la conception de systèmes, les opérations de production et la collaboration étroite avec les équipes de produits et d'affaires. Dans ces environnements, les effets des choix architecturaux sont apparus rapidement.Les systèmes avec des fondations faibles nécessitent des réaménagements fréquents à mesure que l'utilisation augmente.Les systèmes construits avec des abstractions précises et des pipelines fiables ont été plus faciles à étendre au fil du temps. Les systèmes étaient définis non seulement par le code et l'infrastructure, mais aussi par la façon dont les équipes fonctionnaient, comment les décisions étaient prises et comment les plates-formes étaient maintenues au fur et à mesure de leur croissance. Construire des systèmes d'intelligence alimentaire à Spoonshot Sai a ensuite co-fondé Spoonshot et a été son directeur technique. Spoonshot s'est concentré sur la construction d'une plate-forme d'intelligence des données pour l'industrie alimentaire et des boissons.Le système de base, Foodbrain, a combiné plus de 100 téraoctets de données alternatives provenant de plus de 30 000 sources avec des modèles d'IA et des connaissances alimentaires spécifiques au domaine. Cette fondation a alimenté Genesis, un produit utilisé par des marques alimentaires mondiales telles que PepsiCo, Coca-Cola et Heinz pour soutenir l’innovation et les décisions de développement de produits. Construire Foodbrain impliquait de travailler avec des sources de données bruyantes, des exigences évolutives du domaine et des attentes de fiabilité de l'entreprise. Sous la direction technique de Sai, Spoonshot a recueilli plus de 4 millions de dollars de financement de risque et s'est élargi à une équipe de plus de 50 personnes aux États-Unis et en Inde. Pendant cette période, il a introduit des pratiques d'IA axées sur les données en créant une fonction dédiée aux opérations de données aux côtés de l'équipe de science des données. Plateformes Enterprise AI et fiabilité Sai a ensuite occupé le poste de directeur de l'ingénierie à ObserveAI, où il a dirigé des équipes d'ingénierie de plateforme, d'analyse et de produits d'entreprise. La plate-forme a pris en charge des clients d'entreprise tels que DoorDash, Uber, Swiggy et Asurion. Ces clients avaient des attentes strictes en matière de fiabilité, de performance et de visibilité opérationnelle. L'élargissement de la plate-forme pour soutenir une augmentation de l'utilisation de dix fois a nécessité des changements dans l'infrastructure, les pipelines d'ingestion de données et les pratiques d'observation. Ces efforts ont contribué à plus de 15 millions de dollars de recettes annuelles supplémentaires. Outre l’échelle technique, Sai s’est concentré sur le renforcement de la capacité de leadership en ingénierie.Il a aidé à définir les cadres de recrutement, a mené plus de 130 entretiens et a embauché des chefs d’ingénierie supérieurs pour soutenir le développement de la plateforme à long terme. À mesure que les plateformes deviennent plus complexes, les processus de coordination, de propriété et de prise de décision deviennent une partie du système technique. De l’ingénierie des systèmes aux équipes AI-natives À travers ses rôles, Sai a maintenu un engagement pratique tout en s'étendant progressivement à des responsabilités de leadership technique plus larges. Son accent s’est de plus en plus déplacé vers des fondations de plateformes et des flux de travail qui permettent aux équipes de travailler efficacement avec des données complexes et des systèmes d’IA. Le mentorat des ingénieurs supérieurs et l’investissement dans des abstractions précises sont devenus des éléments essentiels de ce travail. Ses publications de recherche reflètent cette attention pratique.Papiers tels que " et » Il a examiné comment l’IA peut soutenir les workflows de produits et d’ingénierie. Genesis : Intelligence de l’innovation alimentaire » Debugmate : un agent d’IA pour un débogage efficace en appel dans des systèmes de production complexes » Debugmate a démontré une réduction de 77% de la charge sur appel en aidant les ingénieurs à trier les incidents en utilisant les données d'observation et le contexte du système. Fondations d’ingénierie à long terme En regardant à travers la carrière de Sai Sreenivas Kodur, un thème cohérent est l’accent mis sur les systèmes de construction qui restent fiables à mesure que la complexité augmente. Alors que l’IA accélère le développement de logiciels, cette attention devient plus critique, surtout lorsque les équipes commencent à construire vraiment. plutôt que de couvrir l’IA sur les architectures existantes.Les agents de l’IA introduisent de nouvelles charges de travail et différents modèles d’utilisation du système.Les plateformes de données et d’infrastructure conçues à l’origine pour les utilisateurs humains doivent s’adapter pour soutenir ces changements. Les équipes de logiciels natives Les équipes de logiciels natives Plutôt que de se concentrer sur les gains de productivité individuels, ce travail se concentre sur les fondations de plateforme, les flux de travail de données et les structures d’équipe qui peuvent évoluer avec le temps. La carrière reflète une approche d'ingénierie fondée sur la clarté, la durabilité et l'impact à long terme. Sénégalais - Images LinkedIn Sénégalais - Images par Linkedin par Linkedin par Linkedin

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

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

Ingénierie à l’échelle : des systèmes de recherche aux plates-formes et produits de données natives d’IA

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Croissance des crypto-monnaies : créer des profils d'utilisateurs efficaces

Naviguer sur les eaux : développer des applications RAG de qualité production avec des lacs de données

Appuyez pour gagner : Telegram pourrait intégrer les 10 prochains milliards d'utilisateurs de crypto avant Solana

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Croissance des crypto-monnaies : créer des profils d'utilisateurs efficaces

Naviguer sur les eaux : développer des applications RAG de qualité production avec des lacs de données

Appuyez pour gagner : Telegram pourrait intégrer les 10 prochains milliards d'utilisateurs de crypto avant Solana

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps