Sztuczna inteligencja ma zdolność do automatyzacji logistyki, skanowania ogromnych zbiorów danych w celu uzyskania ukrytych informacji i zasilania narzędzi, które reagują na użytkowników w czasie rzeczywistym, zasadniczo zmieniając liczbę branż. Ale aby te systemy mogły działać niezawodnie na skalę, potrzebują więcej niż tylko dobrze wyszkolonych modeli.Potrzebują stabilnej infrastruktury backend, która może obsługiwać szybki przepływ danych, koordynować usługi na wielu serwerach i rozwijać się w miarę wzrostu popytu. Tego rodzaju niezawodność zależy od inżynierów, którzy rozumieją systemy stojące za modelami i wiedzą, jak sprawić, by były gotowe do produkcji. Z doświadczeniem w firmach takich jak Microsoft i Meta, systemowo skoncentrowany inżynier oprogramowania Abhigyan Khaund przyczynił się do systemów wykrywania oszustw, które oznaczają anomalie w czasie rzeczywistym, narzędzia do redukcji opóźnienia i bezpieczne ramy cyfrowe dla zespołów obronnych. Czytaj dalej, aby przyjrzeć się bliżej wczesnemu życiu, karierze Abhigyan Khaund i jego cennym wkładom w budowę infrastruktury backend za technologiami, które działają na skalę i służą milionom ludzi na całym świecie. Zacznij od Microsoftu: radzenie sobie z opóźnieniem w komunikacji korporacyjnej Po zdobyciu tytułu licencjata w dziedzinie informatyki w Indian Institute of Technology Mandi, Abhigyan zaczął budować doświadczenie w świecie rzeczywistym w systemach backend jako inżynier oprogramowania w firmie Microsoft. pracował nad cyfrowym rdzeniem funkcji Wspólne kanały dla Microsoft Teams, która pozwala użytkownikom z różnych organizacji na współpracę w tej samej przestrzeni roboczej. Wraz ze wzrostem liczby zastosowań, opóźnienia w uruchamianiu stały się częstsze, a nowi użytkownicy musieli poczekać kilka minut przed uzyskaniem dostępu – co jest niedopuszczalne na poziomie przedsiębiorstwa. Za każdym razem, gdy użytkownik został dodany, system ponownie oceniał uprawnienia od podstaw, wywołując nadmierne kontrole i wiele połączeń sieciowych. Abhigyan przeprojektował ten przepływ, wprowadzając inteligentne pamięć podręczną zasad dostępu, zmniejszając niepotrzebne podwójne oceny i usprawniając komunikację między usługami backend. Zmiany te doprowadziły do dziesięciokrotnej poprawy czasu włączania, ponieważ pozwoliło to funkcji na skuteczne skalowanie w miarę wzrostu wykorzystania. "To doświadczenie dało mi głębsze uznanie dla projektowania systemów i sprawiło, że chciałem pracować nad rodzajem infrastruktury, która cicho napędza złożone środowiska o wysokich stawkach" - przypomina. Przechodzenie do meta i bieganie w ograniczeniach dla AI Zainspirowany swoim czasem w firmie Microsoft, Abhigyan pogłębił swoją koncentrację na informatyce dzięki studiom magisterskim w Georgia Tech. Podczas studiów dołączył do Meta jako stażysta inżyniera uczenia maszynowego, przyczyniając się do ogólnopolskiej inicjatywy mającej na celu poprawę wykrywania oszustw. Chociaż krytycy uczenia się wzmocnień twierdzą, że istnieje ryzyko fałszywych pozytywów i algorytmicznych uprzedzeń w dużych systemach wykrywania oszustw, Abhigyan i jego zespół widzieli pozytywne wyniki. Podczas gdy modele sprawdziły się dobrze w testach, system produkcyjny walczył, ponieważ rurociąg został zbudowany na luźno połączonych mikroserwisach bez wsparcia zawieszenia, więc nawet drobne spowolnienia mogą zakłócić cały przepływ. To nie był pierwszy raz, gdy Abhigyan zajmował się wrażliwymi systemami. W tym przypadku wyzwaniem było połączenie sygnałów z różnych źródeł, takich jak metadane, osadzenia i rzadka historia użytkowników w jeden rurociąg, który mógłby nadal zwracać odpowiednie wyniki od początku. IceBreakerzy Narzędzia i zaangażowanie w Meta były różne, ale wyzwanie było takie samo: budowanie systemu AI zdolnego do podejmowania spójnych decyzji w czasie rzeczywistym pod presją i z niekompletnymi danymi. Podczas gdy zespołowi udało się udoskonalić modele, projekt wzmocnił zobowiązanie Abhigyan do pracy nad infrastrukturą aplikacji: „Dowiedziałem się, że eleganckie systemy nie są tymi z najbardziej fantazyjną architekturą. Opracowanie jednolitych ram obrazu operacyjnego Abhigyan jest obecnie inżynierem oprogramowania w Palantir Technologies, firmie znanej z tworzenia platform danych. Jego główna odpowiedzialność polega na utrzymaniu jednolitych ram obrazu operacyjnego, które dają zespołom rozproszonym w różnych oddziałach firmy, organizacjach partnerskich i środowiskach odłączonych wspólną świadomość sytuacji w czasie rzeczywistym. Abhigyan koncentruje się na utrzymaniu ramy niezawodnej, ponieważ coraz więcej zespołów ją przyjmuje, zapewniając, że rurociągi danych pozostają szybkie, spójne i bezpieczne. „Jest to środowisko o wysokich stawkach, w którym niezawodność i stabilność mają duże znaczenie” – wyjaśnia. „Pracuję nad tym, aby backendy mogły bezpiecznie obsługiwać dużą skalę i koordynację.” Budowa infrastruktury, która powstrzymuje AI od łamania Abhigyan zwrócił uwagę na systemy sztucznej inteligencji, które mogą działać niezależnie od dużych platform chmurowych.Zamiast polegać na stałym dostępie do serwera, te lekkie, specyficzne dla zadań agenci działają bezpośrednio na urządzeniach osobistych, takich jak telefony i tablety, co pozwala im szybko reagować i nadal działać nawet wtedy, gdy łączność jest ograniczona. Jedną z ram wskazuje jako przykład protokół kontekstowy modelu (MCP), który umożliwia agentom sztucznej inteligencji bezpieczne i dynamiczne połączenie z zewnętrznymi źródłami danych. W perspektywie długoterminowej widzi, że inżynieria sztucznej inteligencji rozwija się w dyscyplinę hybrydową: konstruktor modelu częściowego, myśliciel systemów częściowych.Bardzo interesuje się tym, jak modele mogą lepiej reagować w czasie rzeczywistym (nie tylko przewidywać w partiach), jak radzą sobie z nieprzewidywalnym zachowaniem użytkowników i jak izolować awarie bez kompromitowania zaufania do systemu. "Ostatecznym celem jest, aby sztuczna inteligencja czuła się mniej jak magia w chmurze, a bardziej jak coś niezawodnego, użytecznego i dostępnego" - kończy. Poprzez swoją pracę w zakresie wykrywania oszustw, danych korporacyjnych SaaS i oprogramowania w miejscu pracy, Kariera odzwierciedla jasną zasadę: sztuczna inteligencja jest tylko tak przydatna, jak technologiczna podstawa za nią, co oznacza systemy, które utrzymują się pod presją, rurociągi, które utrzymują płynny przepływ danych i narzędzia o niskim opóźnieniu, które reagują w momencie, w którym są potrzebne. Abhigyan Khaund’s A ponieważ technologia ta staje się coraz bardziej wbudowana w operacje krytyczne, jego praca podkreśla znaczenie nie tylko inteligentniejszych modeli, ale systemów zaprojektowanych do niezawodnej pracy w warunkach rzeczywistych.

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

Ten dźwięk jest produkowany w oryginalnym języku historii!

Za długo; Czytać

Make resilience your competitive advantage

Abhigyan Khaund na temat inżynierii systemów za aplikacjami AI

About Author

UWAGI

ZAWIEŚĆ TAGI

ARTYKUŁ TEN ZOSTAŁ PREZENTOWANY W

Related Stories

Meet Sekurno: HackerNoon Company of the Week

Meet the Writer: Hacker Noon's Contributor Elay Romanov of Daiger

Meet the Writer: HackerNoon's Contributor Emmanuel Nwaka, Content Marketing Professional

Leadzai - The Startup of the Year that Democratizes Access to Online Advertising

Meet Sekurno: HackerNoon Company of the Week

Meet the Writer: Hacker Noon's Contributor Elay Romanov of Daiger

Meet the Writer: HackerNoon's Contributor Emmanuel Nwaka, Content Marketing Professional

Leadzai - The Startup of the Year that Democratizes Access to Online Advertising

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps