O tráfego cresce de forma desigual, as suposições param de se manter, e as decisões de design que uma vez se sentiram menores começam a moldar tudo o que se segue. Este artigo rastreia a carreira de engenharia de Sai Sreenivas Kodur, desde a construção de sistemas de pesquisa e recomendação em grande escala no comércio eletrônico até as principais plataformas de IA corporativa e produtos de dados específicos para domínios. Ao longo do caminho, ele examina como o trabalho em escala muda o foco de um engenheiro de componentes individuais para fundações de plataforma, fluxos de trabalho de dados e estruturas de equipe, especialmente à medida que a IA muda a forma como o software é construído. Fundamentos iniciais em sistemas e aprendizado de máquina Sai Sreenivas Kodur completou seus mestrados em Ciência da Computação e Engenharia no Instituto Indiano de Tecnologia, Madras. Durante seus estudos de graduação e pós-graduação, ele se concentrou em compiladores e aprendizado de máquina. Sua pesquisa explorou como as técnicas de aprendizado de máquina poderiam ser aplicadas para melhorar o desempenho do software em ambientes de hardware heterogêneos. O desempenho foi tratado como um resultado de nível de sistema moldado por algoritmos, modelos de execução e restrições de hardware trabalhando juntas. No final da escola de pós-graduação, o resultado mais duradouro deste treinamento não foi a familiaridade com ferramentas específicas, mas a capacidade de aprender novos sistemas profundamente e adaptar-se a contextos técnicos em mudança. Sistemas de pesquisa e recomendação em escala Os primeiros papéis da indústria de Sai envolveram a construção e liderança de sistemas de pesquisa e recomendação em grandes plataformas de comércio eletrônico indianas, incluindo Myntra e Zomato. Esses sistemas suportaram indexação, pesquisa e classificação em catálogos de mais de um milhão de itens que mudam com frequência. Nessa escala, o comportamento do sistema refletia múltiplas restrições concorrentes.A frescura do índice teve de ser equilibrada com os requisitos de latência.A qualidade do ranking dependia das linhas de dados, da confiabilidade da infraestrutura e do comportamento do modelo que funcionava em conjunto. Decisões de design que pareciam corretas em isolamento se comportaram de forma diferente quando expostas a padrões de tráfego reais, sinais atrasados e distribuição desigual da carga. Este trabalho reforçou a importância de alinhar o design técnico com os padrões de uso do produto.As melhorias na relevância ou desempenho exigiram coordenação entre sistemas distribuídos, ingestão de dados e comportamento de aplicação, em vez de mudanças isoladas em componentes individuais. Ambientes de arranque e exposição de engenharia mais ampla No início de sua carreira, Sai escolheu trabalhar principalmente em ambientes de startups. Esses papéis ofereceram exposição a uma ampla gama de responsabilidades de engenharia, incluindo design de sistemas, operações de produção e colaboração estreita com equipes de produtos e negócios. Nestas configurações, os efeitos das escolhas arquitetônicas surgiram rapidamente.Sistemas com fundações fracas exigiram repetições frequentes à medida que o uso aumentou.Sistemas construídos com abstrações precisas e pipelines confiáveis foram mais fáceis de estender ao longo do tempo. Os sistemas foram definidos não apenas pelo código e infraestrutura, mas também por como as equipes trabalharam, como as decisões foram tomadas e como as plataformas foram mantidas à medida que cresciam. Construindo Sistemas de Inteligência Alimentar em Spoonshot Sai mais tarde co-fundou Spoonshot e serviu como seu Chief Technology Officer. O sistema central, Foodbrain, combinou mais de 100 terabytes de dados alternativos de mais de 30 mil fontes com modelos de IA e conhecimento alimentar específico do domínio. Esta fundação alimentou a Genesis, um produto usado por marcas globais de alimentos como PepsiCo, Coca-Cola e Heinz para apoiar a inovação e as decisões de desenvolvimento de produtos. Construindo Foodbrain envolveu trabalhar com fontes de dados barulhentas, requisitos de domínio em evolução e expectativas de confiabilidade da empresa. Sob a liderança técnica de Sai, Spoonshot arrecadou mais de US $ 4 milhões em financiamento de risco e cresceu para uma equipe de mais de 50 em todo os EUA e Índia. Durante este período, ele introduziu práticas de IA centradas em dados, criando uma função dedicada de operações de dados ao lado da equipe de ciência de dados. Plataformas Enterprise AI e fiabilidade Sai mais tarde serviu como Diretor de Engenharia na ObserveAI, onde liderou equipes de engenharia de plataformas, análise e produtos empresariais. A plataforma apoiou clientes corporativos como DoorDash, Uber, Swiggy e Asurion. Esses clientes tinham expectativas rigorosas em torno da confiabilidade, desempenho e visibilidade operacional. Escalar a plataforma para apoiar um aumento de dez vezes no uso exigiu mudanças em toda a infraestrutura, pipelines de ingestão de dados e práticas de observabilidade. Além da escalabilidade técnica, Sai se concentrou em construir a capacidade de liderança de engenharia, ajudou a definir frameworks de contratação, conduziu mais de 130 entrevistas e contratou líderes de engenharia para apoiar o desenvolvimento de plataforma a longo prazo. Esta fase destacou como a estrutura organizacional influencia os resultados do sistema.À medida que as plataformas se tornam mais complexas, os processos de coordenação, propriedade e tomada de decisão se tornam parte do sistema técnico. Da engenharia de sistemas às equipes nativas de IA Ao longo dos papéis, Sai manteve o envolvimento prático, ao mesmo tempo em que se expandiu gradualmente para responsabilidades de liderança técnica mais amplas. Seu foco mudou-se cada vez mais para as fundações da plataforma e os fluxos de trabalho que permitem que as equipes trabalhem de forma eficaz com dados complexos e sistemas de IA. Mentoramento de engenheiros seniores e investimento em abstrações precisas tornaram-se partes essenciais deste trabalho. Suas publicações de pesquisa refletem este foco prático. artigos como " e » Examinou como a IA pode apoiar os fluxos de trabalho de produto e engenharia. Genesis: Inteligência de Inovação Alimentar Debugmate: um agente de IA para efetiva depuração on-call em sistemas de produção complexos O Debugmate demonstrou uma redução de 77% na carga on-call, ajudando os engenheiros com a triagem de incidentes usando dados de observabilidade e contexto do sistema. Fundamentos de engenharia de longo prazo Olhando para a carreira de Sai Sreenivas Kodur, um tema consistente é a ênfase em sistemas de construção que permanecem confiáveis à medida que a complexidade aumenta. À medida que a IA acelera o desenvolvimento de software, esse foco torna-se mais crítico, especialmente quando as equipes começam a construir verdadeiramente. Em vez de estratificar a IA em arquiteturas existentes. agentes de IA introduzem novas cargas de trabalho e padrões diferentes de uso do sistema. plataformas de dados e infraestrutura originalmente projetadas para usuários humanos devem se adaptar para suportar essas mudanças. Equipes de software nativos Equipes de software nativos Em vez de se concentrar em ganhos de produtividade individuais, este trabalho centra-se em fundações de plataforma, fluxos de trabalho de dados e estruturas de equipe que podem crescer ao longo do tempo. A carreira reflete uma abordagem de engenharia baseada na clareza, durabilidade e impacto a longo prazo. Sai Sreenivas Kodur - Imagem LinkedIn Sai Sreenivas Kodur - Imagem Linkedin → Linkedin → Linkedin →

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

Este áudio é produzido no idioma original da história!

Engenharia em escala: de sistemas de pesquisa a plataformas e produtos de dados nativos de IA

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps