Az AI új módszereket kínál a vállalatoknak, hogy nagy mennyiségű információt gyűjtsenek, időigényes feladatokat végezzenek, és finomabb mintákat észleljenek az adatokban.De bár ezek a rendszerek gyakran ígéretet tesztelnek a tesztelés során, ez nem jelenti azt, hogy nem fognak küzdeni, ha telepítik őket, olyan körülmények között, ahol az adatok és a technikai infrastruktúra összeegyeztethetetlenek, és a munkafolyamatok széttagoltak. Munkája során megoldásokat tervezett a vidéki mezőgazdaság pilótáinak, a tudományos kutatásoknak és a nagyméretű mesterséges intelligencia telepítésének, és az évek során első kézből látta, hogy ez a technológia hogyan viselkedik, amikor elhagyja a laboratóriumot. Nikita Kotsehub Építsen termék intuíciót a területről Kotsehub Ukrajnában nőtt fel, és elkezdte felfogni, hogy a technológia hogyan változtathat meg, ha az erőforrások szűkösek, és a korlátozások elkerülhetetlenek. A legformatívabb tanulságai ebben az időben olyan projektekből származtak, amelyek magukban foglalják a felhasználókkal való ülést, meghallgatják, hogyan írják le legnagyobb kihívásaikat, és megnézik, hol törtek össze a rendszerek. a vidéki területeken a készülékek korlátai, a nagy szervezetekben a munkafolyamatok törékenysége, és a szakadék a mérnökök problémájának elképzelése és a gyakorlatba való bevezetése között - mindezek az elemek formálták a nézetét arról, hogy mi teszi a szoftvert valóban hasznosnak. Egy olyan elvet ír le, amelyet ezekben a projektekben kifejlesztett: a legerősebb termékmérnökök általában azok, akik érezték a tényleges használat súrlódását. „A legjobb termékmérnökök azok, akik megtapasztalták a termék használatának fájdalmát a valós problémák megoldására.” „A technológia nem az elvont modellekről szól” – magyarázza, „ez az emberek életét közvetlenül érintő problémák megoldásáról szól.” Federált tanulási áttörések a FLoX-szel Ezek a leckék közvetlenül a Kotsehub egyik legkorábbi hozzájárulását a kutatási közösség: Egy nyílt forráskódú keretrendszert fejlesztett ki a Chicagói Egyetem Globus Labs-jában. Flóx A projekt célja az volt, hogy megoldja a kutatók által a szövetséges tanulás kísérletezésekor tapasztalt jelentős hiányosságokat, egy olyan folyamatot, amely modelleket képez helyi szinten minden egyes eszközön, ahelyett, hogy adatokat küldene egy központi szerverre. A FLoX egy olyan funkció-mint-szolgáltatási modellt használva oldotta meg ezt az akadályt, amely automatikusan elküldte és összehangolta a számítási feladatokat különböző eszközökön, amelyeket a csapatok használhattak a szövetséges munkafolyamatok futtatására anélkül, hogy saját orchestrációs rendszereket építettek volna. A Kotsehub keretrendszere az ellenőrzött laboratóriumi körülményeken túl is hasznosnak bizonyult. tervezése lehetővé tette a mesterséges intelligencia tesztelését olyan helyeken, ahol az összekapcsolhatóság nem következetes, beleértve a vidéki mezőgazdasági projekteket is, ahol a mezőgazdasági termelők foltos eszközökre támaszkodtak, hogy kövessék a terményfeltételeket. A FLoX befolyása bővült, ahogy más kutatók építették az építészetet. , a FLoX spirituális utódja, amely a hierarchikus szövetséges tanulási beállítások és a termeléshez igazodó konfigurációk eredeti kialakítását adaptálta. együttesen, a FLoX és utódainak projektjei támogatták az elosztott tanulás, a precíziós mezőgazdaság és a szerver nélküli ML rendszerek kutatását az egyetemekben és a nemzeti laboratóriumokban. Repülés Vállalati munkafolyamatok átalakítása Az elmúlt néhány évben Kotsehub előre telepített mérnökként dolgozott a Palantirnál, ahol közvetlenül több Fortune 100 céggel dolgozott egy olyan időszakban, amikor sokan csak most kezdték felfedezni, hogy a nagyméretű nyelvi modellek hogyan illenek a mindennapi munkájukba. A munka azt jelentette, hogy ezek a fejlett rendszerek régi adatstruktúrákba illeszkednek, szabványosítják az adatbeviteli formátumokat, és feloldják azokat a folyamatokat, amelyeket történelmileg kézzel végeztek.És sok vállalatnál, ahol hagyományos rendszerek vannak, az integráció gondos kezelést igényelt a hosszú, következetlen vagy akár ellentmondásos bemenetekkel kapcsolatban, amelyekkel ezek a modellek valódi munkafolyamatokban találkozhatnak. Miután a vállalatok látják, hogy ezek a rendszerek valós időben működnek, a hatás könnyebbé vált. A Kotsehub egyértelmű példája egy olyan biztosítási projektből származik, amelynek kiterjedt aláírási csatornája volt. Több tucat dokumentumot kellett felülvizsgálni és keresztellenőrizni, és minden eset lassan haladt át a rendszerben.Azáltal, hogy egy LLM-vezérelt munkafolyamatot vezetett be, amely automatikusan kivonhatta a kritikus információkat ezekből a dokumentumokból, egy hosszú, kézi folyamatot csökkentett valahová, amit órák alatt meg lehet tenni. Mint Kotsehub mondja, „Az LLM-ek bevezetése a hagyományos vállalati rendszerekbe megtanított minket arra, hogy az AI-t hasznos és megbízhatóvá tegyük.” A területi leckéktől a jobb termékek építéséig Miután több évet töltött azzal, hogy segítsen a vállalatoknak integrálni az LLM-eket a munkafolyamatukba, a Kotsehub a termékfejlesztésbe költözött, és csatlakozott a több ezer szervezet által használt platformért felelős csapathoz.A váltás a korábbi munkájának természetes kiterjesztése volt, és figyelembe veszi az ügyfél telepítések során tapasztalt kihívásokat (különböző korlátozásoktól kezdve a törékeny vállalati munkafolyamatokig), hogy most irányítsa, hogyan értékeli a sokkal nagyobb felhasználásra szánt funkciókat. Ebben a szerepben felelős az AI-eszközök létrehozásáért, amelyeket a nem technikai felhasználók működtethetnek, a megközelítését az ügyfelekkel együtt tapasztalt kihívások tájékoztatják.A munka megköveteli a termék belső funkciójának egyensúlyát az egyes felhasználók által elfogadott valósággal, egy olyan egyensúlyt, amelyet évek óta megtanult a kudarcok, az integrációs hiányosságok és a munkafolyamat-hiányok kezelése során a termelési környezetben. „Minden kihívás, amellyel a telepítés során szembesültem, arról szól, hogyan építem most” – mondja. „A probléma és a termék közötti hézag lezárásáról van szó.” Nikita Kotsehub karrierje egyetlen alapelvre utal: ahhoz, hogy az AI sikeresen megvalósuljon, a mérnököknek és a vállalatoknak egyaránt meg kell érteniük, hogy az emberek hogyan használják ezeket a rendszereket, és mit remélnek belőlük.

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.

Ez a hanganyag a történet eredeti nyelvén készült!

Hogyan kapcsolja össze Nikita Kotsehub az AI-kutatást a valós vállalati megoldásokkal

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

Of The First and Last Things: Part 4

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

On OpenAI Failed Board Coup of Sam Altman & the Danger of Leaving AI Fate in the Hands of a Few

Hubble Protocol, a DeFi project on Solana Raises $10 Million Led By Crypto.com Capital, DCG and CMS

Of The First and Last Things: Part 4

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

On OpenAI Failed Board Coup of Sam Altman & the Danger of Leaving AI Fate in the Hands of a Few

Hubble Protocol, a DeFi project on Solana Raises $10 Million Led By Crypto.com Capital, DCG and CMS

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps