Construír unha IA que se comporte como un compañeiro fiable en vez dun experimento imprevisible é actualmente un dos problemas máis difíciles na enxeñaría. Para o enxeñeiro Pranav Pawar, resolver esa brecha converteuse no centro do seu traballo.A través de papeis que abranguen a análise de risco, a automatización da atención sanitaria e agora a infraestrutura de mercadotecnia na startup Kalos, está enfocado no principio básico de facer que a IA sexa fiable e fiable sobre todo.O seu enfoque céntrase en construír axentes que non só funcionen unha vez, senón que continúan traballando baixo presión - sistemas deseñados para adaptarse, iterar e ofrecer resultados consistentes. Por que a maioría da AI falla antes de que escale A maioría dos sistemas poden desempeñar moi ben en demostracións controladas, só para desvelar na produción cando se enfronta á complexidade de como os equipos normalmente traballan, o que normalmente significa tratar con menos datos pulidos, comportamento de usuario imprevisible ou a demanda implacable de tempo de funcionamento. As empresas necesitan sistemas que senten que poden confiar, o que significa que deben adaptarse a cambios de regulamentación, xestionar datos complexos e producir resultados que os humanos poidan verificar.Con todo, demasiado a miúdo, o fluxo de traballo está dividido en diferentes axentes de IA, cada un encargado dunha tarefa -se se trata de crear texto, categorizar datos ou optimizar ofertas en illamento- ao mesmo tempo que efectivamente obriga ás persoas a conectar manualmente plataformas que se supuxeron aforrarlles tempo. O resultado é a IA que carece dunha arquitectura adecuada que permita que os compoñentes independentes se comuniquen. Os primeiros traballos de enxeñaría de Pawar Formado en Enxeñaría de Materiais en IIT Madras, Pawar comezou a súa carreira profesional en Bain Capital Ventures, onde se uniu a un pequeno grupo de enxeñaría centrado na infraestrutura de aprendizaxe automática para a análise de subministración de contratos. Pawar construíu os modelos fundamentais de ML e deseñou tuberías de datos modulares que trasladaron modelos de portátiles Jupyter a APIs estables, garantindo que todo tipo de equipos puidesen usalos. Comezou a traballar coa IA xerativa cando se uniu a ClarityCare, unha startup de coidados de saúde que aborda a automatización de pre-autorización para as aseguradoras. Pawar construíu o backend desde cero, procesando os rexistros médicos reais sen violar as normas de privacidade e auditoría. No canto de tentar substituír aos revisores humanos, introduciu unha capa de verificación que permitiu ás enfermeiras confirmar resumos de informes xerados por IA. O sistema foi efectivamente un éxito, reducindo o tempo de traballo manual nun 15%. Estas experiencias reformularon a forma en que Pawar pensaba sobre a IA. En Bain, viu como os modelos necesitaban un axuste constante para mantelos en funcionamento. En ClarityCare, esa visión tomou un novo peso, onde a precisión era unha necesidade para pacientes e clínicos reais dependendo dos resultados. Fíxolle ver de primeira man que a fiabilidade non debería ser pensada como un obxectivo secundario, senón como un activo clave que garante que a IA pode ser adecuadamente útil en configuracións do mundo real. "A fiabilidade é o que separa un produto dun proxecto", di. Inside Kalos: Automatización de campañas de marketing Este foco na fiabilidade é o que Pawar agora aplica como enxeñeiro fundador en , unha empresa construíndo o que chaman unha plataforma de marketing impulsada por axentes de IA construída para simplificar as partes máis demoradas da publicidade B2B. O obxectivo da empresa é transformar fluxos de traballo de marketing fragmentados en circuítos coordinados e automatizados. calos A plataforma Kalos corre sobre unha rede coordinada de axentes, cada un xestionando unha parte distinta do proceso de publicidade.Unha analiza as chamadas de vendas dunha empresa, os correos electrónicos de prospección e as notas de CRM para entender mellor o que impulsa as conversións; outro deseña anuncios completos de texto a imaxes; un terceiro xestiona a audiencia, ordenando a través de varios criterios para identificar obxectivos de alto valor; un cuarto optimiza as campañas axustando as ofertas e executando os anuncios máis fortes; e un axente final avalía o rendemento da campaña, combinando métricas con oportunidades de CRM e pipeline para mostrar o ROI. Xuntos, converten o que unha vez foi un proceso manual nun ciclo de feedback baseado en datos de investigación, execución de anuncios e mantemento. Debaixo desa interface está o problema que Pawar gasta a maior parte do seu tempo resolvendo: orquestración. Cada axente depende da saída doutro, e un erro pode cascadarse en todo o sistema. O seu traballo é asegurar que esas dependencias se resolvan limpo, o que significa: refaccionar o código desordenado, asegurarse de que a lóxica sexa consistente en todos os axentes, e facer o produto suficientemente resiliente para servir a centos de clientes. Leccións sobre a construción de AI duradeiro O traballo de Pranav Pawar ofrece algunhas leccións extraídas directamente dos sistemas que construíu sobre como asegurarse de que a IA sexa fiable, específica e usable na produción. En primeiro lugar, abordar o punto de dor: Cada proxecto Pawar comezou cunha botella de concreto: autorización previa manual na asistencia sanitaria, análise fragmentada en Bain, xestión de anuncios repetitivos en Kalos - cada un necesitando solucións para resolver problemas específicos. Manter os humanos no ciclo: En ClarityCare, viu que a automatización só é exitosa cando as persoas permanecen parte do proceso.As enfermeiras revisaron os resumos xerados por IA en lugar de seren substituídos por eles, creando un sistema que reforzou a confianza. Prototipos separados dos produtos: En Bain, Pawar decatouse de que levar un modelo en directo significaba unha constante reconstrución e supervisión. Construíndo en torno ás métricas de negocio: Sexa optimizando os fluxos de traballo de seguros ou o rendemento de mercadotecnia, Pawar enfocou factores como o rendemento, a eficiencia e a conversión para medir o éxito dos seus modelos. Deseño a longo prazo: En Kalos, cada axente está construído para aprender continuamente dos datos de campaña en curso, o que é crucial para que o sistema permaneza eficaz a medida que os mercados e o comportamento do cliente cambian ao longo do tempo. Estes conceptos definen a liña de saída da carreira de Pawar. non trata a IA como unha solución de tamaño único, senón como software aplicado construído para resolver problemas específicos de formas que duran. "A enxeñaría de IA non é sobre o hype", di. "É sobre resolver problemas reais de forma fiable e 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 está producido na lingua orixinal da historia!

Máis alá do hype: Pranav Pawar sobre como construír unha IA fiable na produción

About Author

COMENTARIOS

Etiquetas colgantes

ESTE ARTIGO FOI PRESENTADO EN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Society Community!

HackerNoon Decoded 2024: Celebrating Our HackerNoon Community!

HackerNoon Decoded 2024: Celebrating Our Life Hacking Community!

R Systems BlogBook—Chapter 1: Round 2 is Now Open for Submissions🎉

HackerNoon Decoded 2024: Celebrating Our Society Community!

HackerNoon Decoded 2024: Celebrating Our HackerNoon Community!

HackerNoon Decoded 2024: Celebrating Our Life Hacking Community!

R Systems BlogBook—Chapter 1: Round 2 is Now Open for Submissions🎉

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps