A mesterséges intelligencia képes automatizálni a logisztikát, átkutatni a hatalmas adatkészleteket rejtett betekintésekre, és olyan erőforrásokat, amelyek valós időben reagálnak a felhasználókra, alapvetően megváltoztatva, hogy hány iparág működik. De ahhoz, hogy ezek a rendszerek megbízhatóan működjenek a skálán, többre van szükségük, mint csak jól képzett modellekre, stabil backend infrastruktúrára van szükségük, amely támogatja a gyors adatáramlást, koordinálja a szolgáltatásokat több szerveren, és méretezheti a kereslet növekedésével. Ez a fajta megbízhatóság olyan mérnököktől függ, akik megértik a modellek mögött álló rendszereket, és tudják, hogyan készítsék elő őket. Az olyan cégekben szerzett tapasztalattal, mint a Microsoft és a Meta, a rendszerközpontú szoftvermérnök, Abhigyan Khaund hozzájárult a csalásérzékelő rendszerek létrehozásához, amelyek valós idejű anomáliákat, késleltetéscsökkentő eszközöket és biztonságos digitális keretet biztosítanak a védelmi csapatok számára. Olvasson tovább, hogy közelebbről megnézze Abhigyan Khaund korai életét, karrierjét és értékes hozzájárulását a technológia mögött álló backend infrastruktúra kiépítéséhez, amely nagyszabású és világszerte milliókat szolgál. A Microsoft elindítása: a vállalati kommunikáció késleltetésének kezelése Miután megszerezte a számítástechnika alapképzését az Indiai Technológiai Intézet Mandi-tól, Abhigyan a Microsoft szoftvermérnökeként valós tapasztalatokat szerzett a háttérrendszerek terén, és dolgozott a Microsoft Teams megosztott csatornáinak digitális gerincén, amely lehetővé teszi a különböző szervezetek felhasználóinak együttműködését ugyanabban a munkaterületen. Ahogy az alkalmazás növekedett, az onboarding késések gyakoribbak lettek, és az új felhasználóknak több percet kellett várniuk a hozzáférés megszerzése előtt - ami vállalati szinten elfogadhatatlan. Minden alkalommal, amikor egy felhasználót hozzáadtak, a rendszer újraértékelte az engedélyeket a semmiből, ami redundáns ellenőrzéseket és több hálózati hívást váltott ki. Abhigyan újratervezte ezt az áramlást azáltal, hogy bevezette a hozzáférési politikák intelligens gyorsítótárát, csökkentette a szükségtelen kettős értékeléseket, és egyszerűsítette a kommunikációt a backend szolgáltatások között. Ezek a változások tízszeres javulást eredményeztek a fedélzeti időben, mivel lehetővé tette a funkció hatékony skálázását a felhasználás növekedésével. "Ez a tapasztalat mélyebb elismerést adott a rendszertervezésnek, és arra késztetett, hogy olyan infrastruktúrával dolgozzak, amely csendben működtet bonyolult, nagy kockázatú környezeteket" - emlékszik vissza. A Meta-ra való áttérés és az AI korlátozásaiba való belépés A Microsoft-nál töltött időből inspirált, Abhigyan elmélyítette a számítógép-tudományra összpontosító hangsúlyt a Georgia Tech mesterképzésével. tanulmányainak során csatlakozott a Meta-hoz, mint gépi tanulási mérnök gyakornok, hozzájárulva egy vállalat-szintű kezdeményezéshez a csalások észlelésének javítása érdekében. Bár a megerősítő tanulás kritikusai azt mondják, hogy a nagyméretű csalásérzékelő rendszerekben fennáll a hamis pozitívok és az algoritmikus előítéletek kockázata, Abhigyan és csapata pozitív eredményeket látott. Míg a modellek jól teljesítettek a tesztelésben, a termelési rendszer azért küzdött, mert a csővezeték lazán összekapcsolt mikroszolgáltatásokra épült, amelyek nem támogatják a hibaelhárítást, így még a kisebb lassulások is megzavarhatják az egész áramlást. Ez nem volt Abhigyan első alkalma, hogy törékeny rendszerekkel foglalkozott. Ebben az esetben a kihívás az volt, hogy a különböző forrásokból származó jeleket, például a metaadatokat, a beágyazásokat és a ritka felhasználói előzményeket egyetlen csővezetékbe egyesítsék, amely még mindig visszaküldheti a releváns eredményeket a kezdetektől. jégtörő A Meta eszközei és elkötelezettségei eltérőek voltak, de a kihívás ugyanaz volt: egy mesterséges intelligencia-rendszer kiépítése, amely képes következetes, valós idejű döntéseket hozni nyomás alatt és hiányos adatokkal. Míg a csapatnak sikerült javítania a modelleket, a projekt megerősítette Abhigyan elkötelezettségét az alkalmazásinfrastruktúra fejlesztése iránt: „Megtanultam, hogy az elegáns rendszerek nem a legfantasztikusabb architektúrával rendelkeznek. Unified Operating Picture Framework létrehozása Abhigyan jelenleg a Palantir Technologies szoftvermérnöke, egy olyan vállalat, amely adatplatformokat épít, és ott olyan backend rendszereken dolgozik, amelyek nagy hatással vannak a valós eredményekre. Fő felelőssége egy egységes működési képkeret fenntartása, amely a vállalat fióktelepein, a partner szervezeteken és a kikapcsolt környezeteken elosztott csapatok számára valós idejű helyzetfelismerést biztosít.Ezek a rendszerek integrálják a különböző adatfolyamokat, megbízhatóan működnek komplex környezetekben, és lehetővé teszik az emberek és a technológia közötti reagáló interakciót. Abhigyan a keretrendszer megbízhatóságának megőrzésére összpontosít, ahogy egyre több csapat alkalmazza azt, biztosítva, hogy az adatvezetékek gyorsak, következetesek és biztonságosak maradjanak. „Ez egy nagy kockázatú környezet, ahol a megbízhatóság és a stabilitás sokat számít” – magyarázza. „Meggyőződtem arról, hogy a backendek biztonságosan támogathatják a nagyméretű koordinációt.” Olyan infrastruktúra építése, amely megakadályozza az AI megszakítását Abhigyan a figyelmét az AI-rendszerekre fordította, amelyek függetlenül működhetnek a nagy felhőplatformoktól. ahelyett, hogy állandó szerver-hozzáférésre támaszkodnának, ezek a könnyű, feladat-specifikus ügynökök közvetlenül futnak a személyes eszközökön, például telefonokon és táblagépeken, lehetővé téve számukra, hogy gyorsan reagáljanak és továbbra is működjenek, még akkor is, ha a kapcsolat korlátozott. Példaként említ egy keretet a modellkontextus-protokoll (MCP), amely lehetővé teszi az AI-ügynökök számára, hogy biztonságosan és dinamikusan csatlakozzanak a külső adatforrásokhoz. Hosszú távon látja, hogy az AI mérnöki fejlődik egy hibrid fegyelem: alkatrész modell építő, alkatrész rendszer gondolkodó. különösen érdekli, hogy a modellek jobban reagálnak valós időben (nem csak előre a tételek), hogyan tartják fenn a kiszámíthatatlan felhasználói viselkedés, és hogyan lehet elszigetelni a kudarcokat anélkül, hogy veszélyeztetné a bizalmat a rendszerben. "A végső cél az, hogy az AI kevésbé úgy érezze magát, mint a mágia a felhőben, és inkább valami megbízható, hasznos és hozzáférhető" - zárja. A csalások észlelése, a vállalati adatok SaaS és a munkahelyi szoftverek területén végzett munkája révén A karrier egyértelmű elvet tükrözi: az AI csak annyira hasznos, mint a mögötte álló technológiai alap, ami azt jelenti, hogy a nyomás alatt álló rendszerek, az adatok zökkenőmentesen áramló csővezetékek és az alacsony késleltetésű eszközök reagálnak a szükséges pillanatban. Abhigyan Khaund élete És ahogy ez a technológia egyre inkább beágyazódik a kritikus műveletekbe, munkája kiemeli nemcsak az intelligensebb modellek fontosságát, hanem a valós körülmények között megbízhatóan működő rendszereket is.

This story contains new, firsthand information uncovered by the writer.

Ez a hanganyag a történet eredeti nyelvén készült!

Túl hosszú; Olvasni

Make resilience your competitive advantage

Abhigyan Khaund az AI-alkalmazások mögötti rendszerfejlesztésről

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

The Little Shop at Fishbourne

HackerNoon Social Media Presence: A Complete Guide

INTRODUCTION

THE HABITS OF INSECTS IN RELATION TO THE FERTILISATION OF FLOWERS

The Little Shop at Fishbourne

HackerNoon Social Media Presence: A Complete Guide

INTRODUCTION

THE HABITS OF INSECTS IN RELATION TO THE FERTILISATION OF FLOWERS

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps