AI nudi tvrtkama nove načine da prođu kroz velike komade informacija, brinu se o vremenski zahtjevnim zadaćama i otkriju suptilnije obrasce unutar podataka.Ali dok ti sustavi često pokazuju obećanje tijekom testiranja, to ne znači da se neće boriti nakon što budu raspoređeni, rješavajući uvjete u kojima su podaci i tehnička infrastruktura nedosljedni, a tokovi rada su rascjepkani. Njegov rad ga je vidio dizajnirati rješenja za pilote ruralne poljoprivrede, akademsko istraživanje i razmjene AI-a na velikoj razini, a tijekom godina vidio je iz prve ruke kako se ova tehnologija ponaša kada napusti laboratorij. Nikita Kotsehub Izgradnja proizvodne intuicije s terena Odrastajući u Ukrajini, Kotsehub je počeo oblikovati svoj osjećaj o tome kako tehnologija može napraviti razliku kada su resursi rijetki, a ograničenja su neizbježna.Ta ga je perspektiva pratila na Sveučilištu Minerva, gdje je živio i studirao u pet zemalja, radeći s lokalnim organizacijama na tehnološkim izazovima koji rijetko odgovaraju pretpostavkama u udžbenicima. Njegove najformativnije lekcije u tom razdoblju dolaze iz projekata koji uključuju sjedenje s korisnicima, slušanje kako su opisali svoje najveće izazove i gledanje gdje su se sustavi slomili.Ograničenja uređaja u ruralnim područjima, krhkost tokova rada unutar velikih organizacija i razlika između toga kako inženjeri zamišljaju problem i kako se zapravo stavlja u praksu - svi ti elementi oblikovali su njegov pogled na ono što čini softver istinski korisnim. On opisuje princip koji je razvio tijekom tih projekata: najjači inženjeri proizvoda imaju tendenciju biti oni koji su osjetili trenje stvarne uporabe. Taj naglasak na uranjanje bio bi ključan za njegov pristup profesionalnom radu. „Tehnologija nije o apstraktnim modelima“, objašnjava on, „to je o rješavanju problema koji izravno utječu na živote ljudi.“ Federated Learning Breakthroughs s FLoX-om Te su lekcije direktno utjecale na jedan od Kotsehubovih najranijih doprinosa istraživačkoj zajednici: , okvir otvorenog koda koji je razvio na Sveučilištu u Chicagu Globus Labs. FLOX Projekt je usmjeren na rješavanje velikog praznina s kojima se suočavaju istraživači kada eksperimentiraju s federiranim učenjem, procesom koji trenira modele lokalno na svakom uređaju, a ne šalje podatke na središnji poslužitelj. FLoX je riješio tu prepreku korištenjem modela Function-as-a-Service koji automatski rasporedi i koordinira računalne zadatke na raznim uređajima, koje bi timovi mogli koristiti za pokretanje federiranih tokova rada bez izgradnje vlastitih sustava orkestracije. Kotsehubov okvir pokazao se korisnim izvan kontroliranih laboratorijskih uvjeta. Njegov dizajn omogućio je testiranje umjetne inteligencije na mjestima s nedosljednom povezivosti, uključujući projekte ruralne poljoprivrede u kojima se poljoprivrednici oslanjaju na prljave uređaje kako bi pratili uvjete usjeva. Utjecaj FLoX-a proširio se kako su drugi istraživači izgradili arhitekturu. , duhovni nasljednik FLoX-a koji je prilagodio izvorni dizajn za hijerarhijske konfiguracije federiranog učenja i više konfiguracija usklađenih s proizvodnjom. Letenje Transformacija poslovnih tokova poduzeća Tijekom posljednjih nekoliko godina, Kotsehub je radio u Palantiru kao napredni inženjer, gdje je izravno radio s više Fortune 100 tvrtki u vrijeme kada su mnogi tek počeli istraživati kako se veliki jezični modeli mogu uklopiti u njihov svakodnevni rad. Rad je podrazumijevao ugradnju tih naprednih sustava u stare podatkovne strukture, standardizaciju formata unosa podataka i otključavanje procesa koji su se povijesno radili ručno.A za mnoge tvrtke s nasljednim sustavima na mjestu, integracija je zahtijevala pažljivo rukovanje dugim, nedosljednim ili čak kontradiktornim ulazima koje bi ti modeli mogli naići u stvarnim tokovima rada. Jednom kada su tvrtke vidjele da ti sustavi rade u realnom vremenu, utjecaj je postao lakše shvatiti. Jasan primjer Kotsehub podsjeća da je došao iz projekta osiguranja s raširenim potpornim cijevom. Desetine dokumenata moralo je biti pregledano i prekrižno provjereno, a svaki slučaj se polako pomaknuo kroz sustav. Uvođenjem LLM-ovog radnog toka koji bi automatski mogao izvući kritične informacije iz tih dokumenata, smanjio je dugotrajan, ručni proces na nešto što bi se moglo učiniti u nekoliko sati. Kao što to kaže Kotsehub, "Primjena LLM-ova u nasljedne korporativne sustave naučila nas je kako učiniti AI korisnim i pouzdanim." Od lekcija polja do izgradnje boljih proizvoda Nakon što je nekoliko godina proveo pomažući tvrtkama da integriraju LLM u svoje radne tokove, Kotsehub se preselio u inženjering proizvoda, pridružujući se timu odgovornom za platformu koju koriste tisuće organizacija. U toj ulozi, on je odgovoran za izgradnju AI alata koje ne-tehnički korisnici mogu upravljati, s njegovim pristupom informiranim izazovima koje je svjedočio uz kupce. "Svaki izazov s kojim sam se suočio u implementaciji govori o tome kako sada gradim", kaže on. Nikita Kotsehubova karijera upućuje na jedan princip: kako bi se AI uspješno implementirao, inženjeri i tvrtke moraju imati iz prve ruke razumijevanje o tome kako ljudi koriste ove sustave i što se nadaju da će iz njih izaći.

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.

Ovaj zvuk je proizveden na izvornom jeziku priče!

Kako Nikita Kotsehub povezuje AI istraživanje s rješenjima za poduzeća u stvarnom svijetu

About Author

KOMENTARI

VIJESI OZNAKE

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps