AI უზრუნველყოფს კომპანიებს ახალი გზა, რათა გაიგოთ დიდი მონაცემების ნაწილები, გააკეთოთ ხანგრძლივი საქმიანობა და იპოვოთ უფრო სინათლის ნიმუშები მონაცემებში. მაგრამ მიუხედავად იმისა, რომ ამ სისტემები ხშირად განიხილებენ ტესტირების დროს, ეს არ ნიშნავს, რომ ისინი არ განიხილებენ, როდესაც ისინი განაყენებენ, შეხვდება პირობები, სადაც მონაცემები და ტექნიკური ინფრასტრუქტურა არ არის შეუზღუდავი, და სამუშაო ფართობი. მისი მუშაობა აჩვენა, რომ ის დიზაინი გადაწყვეტილებები სამრეწველო სამრეწველო პლატფორმაები, სამეცნიერო კვლევა, და დიდი ზომის AI განლაგება, და წლების განმავლობაში ის ვხედავთ, როგორ ამ ტექნოლოგია ქცევა, როდესაც იგი დატოვებს ლაბორატორიაში. ამ გამოცდილების მეშვეობით, ის აშენდა რეპუტაცია ითვლება საიმედოობა, კონტაქტი, და რეალური მსოფლიოს შეზღუდვა როგორც ძირითადი ინჟინერი Priorities. NIKITA KOTSEHUB პროდუქტის ინტელექტურობის შექმნა სფეროში დასაწყისში დასაწყისში, Kotsehub დაიწყო შექმნას მისი გრძნობები, თუ როგორ ტექნოლოგია შეუძლია განსხვავება, როდესაც რესურსები შეუზღუდავია და შეზღუდვები არ არის შეუზღუდავი. ეს პრაქტიკა მოწინავე მას Minerva უნივერსიტეტში, სადაც ის ცხოვრობდა და სტუდენტებს 5 ქვეყნებში, მუშაობა ადგილობრივი ორგანიზაციები ტექნოლოგია მოვლენები, რომლებიც rarely შეესაბამება კლასიკური მიმოხილვა. ამ დროს მისი ყველაზე ფორმირებული კურსები მოდის პროექტებს, რომლებიც მოიცავს მომხმარებელს შეუზღუდავებას, ხედავს, თუ როგორ შეტყობინებენ მათი ყველაზე დიდი ცვლილებები, და ხედავს, სადაც სისტემები შეუზღუდავდნენ. მოცულობა მოწყობილობები სამხრეთ რეგიონებში, ფუნქციონალურობის სქემა დიდი ორგანიზაციებში, და განსხვავება შორის, თუ როგორ ინჟინერები ვფიქრობ, რომ პრობლემა და თუ როგორ ეს ნამდვილად გამოიყენება - ყველა ეს ელემენტები შეიცავს მისი მიმოხილვა, რაც პროგრამული უზრუნველყოფა ნამდვილად სასარგებლოა. ის აცხადებს, რომ საუკეთესო პროდუქტის ინჟინერი არის ის, ვინც გამოცდილი ტკივილი გამოიყენოს პროდუქტი რეალური მსოფლიოს პრობლემების გადაწყვეტილებებისათვის. ეს ინტეგრირებული ინტეგრირება იქნება მნიშვნელოვანია, თუ როგორ ის შეესაბამება მისი პროფესიული მუშაობა. "ტექნოლოგია არ არის ამჟამად მოდელები, "მე გააჩნია, " ის არის ამჟამად გადაწყვეტა პრობლემები, რომლებიც პირდაპირი შეხვდება ადამიანების ცხოვრებაში." Federated Learning Breakthroughs ერთად FLoX ეს კურსები პირდაპირი შეიცავს ერთ-ერთი Kotsehub- ის პირველი შეტყობინებები კვლევითი საზოგადოებას: ეს არის Open Source Framework, რომელიც ის განვითარდა Chicago- ის უნივერსიტეტის Globus Labs- ში. Flux პროექტის მიზნით, რათა შეამციროს ძირითადი სიზუსტით კვლევითი შეხვდა, როდესაც ექსპერიმენტი Federated Learning, პროცესი, რომელიც მოდელები სასწავლო ადგილობრივ თითოეული მოწყობილობა, ვიდრე გადაცემის მონაცემები ცენტრალური სერვერზე. კვლევითი აქვს საჭირო მოდელები და მონაცემთა წყაროები, მაგრამ არ აქვს ინფრასტრუქტურა, რათა ადვილად შეესაბამება სასწავლო მრავალფეროვანი გაფართოებული მოწყობილობები. FLoX შეუზღუდავი ეს ბარიერი გამოყენებით Function-as-a-Service მოდელი, რომელიც ავტომატურად გადაცემა და შეუზღუდავი კომპიუტერული საქმიანობა სხვადასხვა მოწყობილობები, რომელიც გუნდი შეიძლება შემდეგ გამოიყენოთ გაფართოებული სამუშაო თხევადი გარეშე შექმნის საკუთარი ოკსტერაციის სისტემები. Kotsehub- ის კონფიდენციალურობის კონფიდენციალურობის გარშემო, მისი დიზაინი გაძლევთ შესაძლებელი AI- ის ტესტირება ადგილებში, სადაც არ არის კონფიდენციალურობის გარშემო, მათ შორის სამრეწველო სამრეწველო პროექტები, სადაც სამრეწველო მრეწველო მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწველობის მრეწვე FLoX- ის ეფექტურობა გააუმჯობესდა, როგორც სხვა კვლევითი აშენდა არქიტექტურა. იგი გახდა ბაზა მრავალფეროვანი სტუდენტური გაფართოების, მათ შორის: , ფსიქიკური შემუშავებელი FLoX, რომელიც ადაპტირებული ორიგინალური დიზაინი იერანგიული federated-learning setups და უფრო წარმოების შეესაბამება კონფიგურაცია. საერთოდ, FLoX და მისი შემუშავების პროექტები მხარს უჭერს კვლევა მთელს გაზიარებული სწავლის, სიზუსტით სამრეწველო, და სერვერის გარეშე ML სისტემები უნივერსიტეტებში და ეროვნული ლაბორატორები. ფრენის Enterprise Workflows განახლება ბოლო რამდენიმე წლის განმავლობაში, Kotsehub მუშაობს Palantir- ში, როგორც წინასწარ განთავსებული ინჟინერი, სადაც ის პირდაპირი მუშაობს მრავალჯერადი Fortune 100 კომპანიების დროს, როდესაც ბევრი მხოლოდ იწყება შეამოწმოთ, თუ როგორ დიდი ენის მოდელები შეიძლება შეესაბამება მათი ყოველდღიური მუშაობა. ეს მუშაობა იმას ნიშნავს, რომ ეს მოწინავე სისტემები შეესაბამება ძველი მონაცემთა სტრუქტურებს, სტანდარტებს მონაცემთა ინტენსიურ ფორმატებს და გათავისუფლების პროცესებს, რომლებიც ისტორიულად გაკეთდა manually.And for many companies with legacy systems in place, integration required careful handling of long, inconsistent, or even contradictory inputs that these models could encounter in real workflows.Teams had to build guardrails around prompt handling and create monitoring tools that surfaced when a model drifted off-pattern. ერთხელ კომპანიები იმიტომ, რომ ეს სისტემები მუშაობს რეალურ დროში, ეფექტი უფრო ადვილია შეინახოთ. ნათელი მაგალითია, რომ Kotsehub აღიარებს, რომ ეს იყო გარანტია პროექტისგან, რომელიც გაფართოებული შეტყობინება მივიღა. დისკები დოკუმენტები უნდა შეამოწმოთ და cross-checked, და თითოეული შემთხვევაში მუდმივად მივიღა სისტემის მეშვეობით. მეშვეობით LLM-driven workflow, რომელიც შეიძლება ავტომატურად ატვირთოთ მნიშვნელოვანი ინფორმაცია ამ დოკუმენტებს, ეს შეამციროს ხანგრძლივი, მექანიკური პროცესი რაღაც, რომელიც შეიძლება გაკეთდეს საათის განმავლობაში. როგორც Kotsehub აცხადებს, "მართულება LLM- ს პერსონალური საწარმოო სისტემები გააჩნია, თუ როგორ უნდა გააკეთოთ AI, როგორც სასარგებლო და საიმედო." ფართო კურსები შექმნა უკეთესი პროდუქცია მას შემდეგ, რაც რამდენიმე წლის განმავლობაში დაეხმარება კომპანიებს ინტეგრირებას LLMs მათი სამუშაო წვრთნები, Kotsehub გადავიდა პროდუქტის ინჟინროში, შეუერთდა გუნდი, რომელიც პასუხისმგებელია პლატფორმა, რომელიც იყენებს ათასობით ორგანიზაციები. გადაზიდვა იყო ბუნებრივი გაფართოება მისი ადრეული მუშაობის, და ის ვფიქრობ, რომ მოვლენები, რომლებიც მან შეხვდა კლიენტების განთავსების დროს (დაწვრილებით edge-device შეზღუდვები მჭიდრო საწარმოო სამუშაო წვრთნები) ახლა განიხილავს, თუ როგორ ის შეფასებს ფუნქციებს, რომელიც განკუთვნილია უფრო დიდი გამოყენება. ამ ფუნქციას, ის პასუხისმგებლობა აშენება AI ინსტრუმენტები, რომ არა ტექნიკური მომხმარებლები შეუძლიათ ოპერაცია, მისი ხელმისაწვდომი მიმოხილვა ინტელექტუალური კლიენტებს. მუშაობა მოითხოვს შეესაბამება ინტელექტუალური ფუნქციების პროდუქტის რეალურია, თუ როგორ უნდა მიიღოს ინტელექტუალური მომხმარებლები, შეესაბამება, რომ ის გაიგო წლების განმავლობაში გადაწყვეტა ცუდი, ინტელექტუალური სიხშირეები, და workflow bottlenecks წარმოების გარემოში. "სამთავრობო მოვლენები, რომლებიც შეხვდა მიწოდების დროს, გთავაზობთ, თუ როგორ მე ამჟამად აშენებ," ის ამბობს. "მაგავს, რომ დახურვა პრობლემა და პროდუქტი". Nikita Kotsehub- ის კარიერა აჩვენებს ერთ-ერთი პრინციპი: AI- ის წარმატებული განახლება, ინჟინრები და კომპანიები ისევე უნდა გაიგონ, თუ როგორ ხალხი ამ სისტემებს იყენებენ და რა მათ სურს, რომ მათგან გაიგონ. მისი სამუშაო აჩვენებს, რომ საიმედო ინსტრუმენტები იზრდება რეალურ გარემოში, ვიდრე ფიზიკური შეზღუდვა, რომელიც არის ძირითადი პლატფორმა, თუ როგორ ის აშენებს.

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.

ეს აუდიო დამზადებულია სიუჟეტის ორიგინალურ ენაზე!

როგორ Nikita Kotsehub ბეჭდვა AI კვლევა რეალურ მსოფლიოში Enterprise გადაწყვეტილებები

About Author

კომენტარები

დაკიდეთ ტეგები

ეს სტატია იყო წარმოდგენილი

Related Stories

Karl Ludwig Sand: Murder in the 1800s by Alexandre Dumas - Table of Links

Karak and Space and Time Join Forces to Revolutionize Blockchain Security

Unhinged and Overstrained: The Mind of a Harassed Woman

dYdX Unveiled: The Revolutionary Platform Changing the Face of Decentralized Trading

Karl Ludwig Sand: Murder in the 1800s by Alexandre Dumas - Table of Links

Karak and Space and Time Join Forces to Revolutionize Blockchain Security

Unhinged and Overstrained: The Mind of a Harassed Woman

dYdX Unveiled: The Revolutionary Platform Changing the Face of Decentralized Trading

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps