トラフィックは不均衡に成長し、仮定は維持しなくなり、かつて小さいと感じた設計決定は次に起こるすべてを形作り始めます。 この記事では、Sai Sreenivas Kodurのエンジニアリングキャリアを追跡し、電子商取引における大規模な検索および推奨システムの構築から、企業向けAIプラットフォームおよびドメイン特有のデータ製品に至ります。 途中で、スケールワークがエンジニアの焦点を個々のコンポーネントからプラットフォームの基盤、データワークフロー、チーム構造にどのように転換するかを調べ、特にAIがソフトウェアを構築する方法を変えるにつれて。 システムと機械学習の早期基礎 Sai Sreenivas Kodurは、インド工科大学マダラスでコンピュータサイエンスとエンジニアリングの学士号と修士号を取得しました。 大学院と大学院の間、彼はコンパイラと機械学習に焦点を当て、機械学習技術が異質なハードウェア環境でソフトウェアのパフォーマンスを向上させるためにどのように適用されるかを調査した。 この作業には、複数の層を越えて考える必要がありました。パフォーマンスは、アルゴリズム、実行モデル、およびハードウェア制約によって形成されたシステムレベルの結果として扱われました。 学術環境は厳格な推論と第一原則思考を強調しました。大学院の終わりまでに、このトレーニングの最も持続可能な結果は、特定のツールに精通することではなく、新しいシステムを深く学び、変化する技術的文脈に適応する能力でした。 Search and Recommendation Systems at Scale(スケールでの検索・推奨システム) Saiの初期の業界の役割は、MyntraやZomatoを含むインドの主要な電子商取引プラットフォームで検索および推奨システムを構築し、導入することでした。 これらのシステムは、100万件を超える頻繁に変更するアイテムのカタログのインデックス、検索、ランキングをサポートし、毎分約30万件のリクエストを処理しました。 このスケールでは、システムの行動は複数の競合する制約を反映した。インデックスの新鮮さは遅延要件とバランスを取る必要がありました。ランキングの質は、データパイプライン、インフラの信頼性、モデルの行動が一緒に動作することに依存しました。 単独で正しいように見えた設計決定は、実際のトラフィックパターン、遅延信号、および不均衡な負荷分布にさらされると異なり行動した。 この作業は、製品の使用パターンと技術設計を調和させる重要性を強調しました. Relevance or performance improvements required coordination across distributed systems, data ingestion, and application behavior rather than isolated changes to individual components. パーソナルコンポーネントへの単独変更よりも、分散されたシステム間の連携、データの吸収、およびアプリケーション行動の重要性を強調しました。 スタートアップ環境と広範なエンジニアリング曝露 キャリアの初め、Saiは主にスタートアップ環境で働くことを選択しました。 これらの役割は、システム設計、生産操作、製品およびビジネスチームとの緊密な協力を含む幅広いエンジニアリングの責任への接触を提供しました。 これらの設定では、建築選択の影響が迅速に表面化しました。基礎が弱いシステムは、使用量が増加するにつれて頻繁に再作業を必要としました。 システムは、コードやインフラストラクチャだけでなく、チームがどのように働き、決定がどのように行われ、プラットフォームがどのように成長するかによって維持された。 Spoonshotで食品情報システムを構築 Saiは後にSpoonshotを共同創設し、その技術責任者を務めた。 Spoonshotは、食品および飲料産業のためのデータインテリジェンスプラットフォームを構築することに焦点を当てたが、コアシステムであるFoodbrainは、30,000 を超えるソースからの代替データの 100 テラバイト以上を、AI モデルとドメイン特定の食品知識と組み合わせた。 この財団は、PepsiCo、Coca-Cola、Heinzなどのグローバル食品ブランドが、イノベーションと製品開発の意思決定を支援するために使用する製品であるGenesisを推進しました。 Building Foodbrain は、騒々しいデータソース、進化するドメイン要件、および企業の信頼性の期待に取り組んでいた。 Saiの技術的リーダーシップの下で、Spoonshotは400万ドルを超える投資資金を調達し、米国とインドで50人以上のチームに拡大しました。 この期間中、彼はデータサイエンスチームとともに専用のデータ操作機能を作成することによって、データ中心のAI実践を導入し、新しいモデル開発の回転時間を60%削減し、90%を超える精度を維持しました。 Enterprise AI プラットフォームと信頼性 Saiは後にObserveAIのエンジニアリングディレクターとして勤務し、プラットフォームエンジニアリング、分析、およびエンタープライズ製品チームを率いた。 プラットフォームはDoorDash、Uber、Swiggy、Asurionなどの企業顧客をサポートし、これらの顧客は信頼性、パフォーマンス、および運用可視性に関して厳しい期待を抱いていました。 利用率の10倍の増加をサポートするためにプラットフォームを拡張するには、インフラ、データ摂取パイプライン、および観測可能な慣行の変更が必要でした。 技術的スケーリングに加えて、Saiはエンジニアリングリーダーシップ能力の構築に焦点を当て、雇用枠組みを定義し、130件以上のインタビューを行い、長期的なプラットフォーム開発を支援する高級エンジニアリングリーダーを雇用しました。 この段階では、組織構造がシステムの結果にどのように影響するかを強調し、プラットフォームが複雑化するにつれて、連携、所有権、意思決定プロセスが技術システムの一部となる。 システムエンジニアリングからAIネイティブチームへ 役割を通じて、Saiは実践的な関与を維持し、徐々により広範な技術的リーダーシップの責任に拡大しました。 彼の焦点はますますプラットフォームの基礎とワークフローに向かい、チームが複雑なデータとAIシステムで効果的に作業できるようになりました。 彼の研究出版物は、この実践的な焦点を反映しています。 そして」 AIが製品とエンジニアリングのワークフローをどのようにサポートできるかを調べた。 Genesis: Food Innovation Intelligence(食糧イノベーションインテリジェンス) Debugmate: 複雑な生産システムにおける効率的なオンコールデバッグのためのAIエージェント Debugmate は、観測可能なデータとシステムコンテキストを使用してインシデントの分類にエンジニアを支援することによって、呼び出し負荷の 77% の減少を示しました。 長期エンジニアリングの基礎 Sai Sreenivas Kodurのキャリアを振り返ると、一貫したテーマは、複雑性が高まるにつれて信頼性が保たれるビルシステムに重点を置くことです。 AIがソフトウェア開発を加速させるにつれて、この焦点は特にチームが真の構築を始める時、より重要になる。 既存のアーキテクチャにAIを層付けするのではなく、AIエージェントは新しいワークロードとシステムの使用の異なるパターンを導入します。 AI-native software チーム AI-native software チーム 個々の生産性の向上に焦点を当てるのではなく、この作業は、プラットフォームの基盤、データワークフロー、時間とともに拡大できるチーム構造に焦点を当てています。 キャリアは、明確さ、耐久性、長期的な影響に基づくエンジニアリングアプローチを反映しています。 トップページ > イラスト > 画像 > Linkedin Sai Sreenivas Kodur - Image |  リンク リンク リンク

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

このオーディオは、ストーリーの元の言語で制作されています。

スケールのエンジニアリング:検索システムからAIネイティブプラットフォームやデータ製品まで

About Author

コメント

ラベル

この記事は

Related Stories

目に見えない層: ユーザーインタビューがかけがえのない資産である理由

タップして稼ぐ：テレグラムはソラナより先に次の100億人の暗号通貨ユーザーを獲得する可能性がある

HackerNoon ライティングコンテストで優勝したいですか? #crypto-api コンテスト優勝者のおすすめはこちら

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

目に見えない層: ユーザーインタビューがかけがえのない資産である理由

タップして稼ぐ：テレグラムはソラナより先に次の100億人の暗号通貨ユーザーを獲得する可能性がある

HackerNoon ライティングコンテストで優勝したいですか? #crypto-api コンテスト優勝者のおすすめはこちら

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps