Construirea AI care se comportă ca un coleg de încredere mai degrabă decât un experiment imprevizibil este în prezent una dintre cele mai dificile probleme din inginerie. Pentru inginerul Pranav Pawar, rezolvarea acestei lacune a devenit centrul muncii sale.Prin rolurile care cuprind analiza riscului, automatizarea asistenței medicale și acum infrastructura de marketing la start-up-ul Kalos, el se concentrează pe principiul de bază de a face AI fiabilă și de încredere mai presus de orice altceva. De ce majoritatea AI eșuează înainte de a scala Cele mai multe sisteme pot funcționa foarte bine în demonstrații controlate, doar pentru a dezlănțui în producție atunci când se confruntă cu complexitatea modului în care echipele lucrează, ceea ce înseamnă, de obicei, să se ocupe cu mai puține date lustruite, comportament de utilizator imprevizibil sau cererea nerăbdătoare de timp de funcționare. Întreprinderile au nevoie de sisteme în care simt că pot avea încredere, ceea ce înseamnă că ar trebui să se adapteze la schimbarea reglementărilor, să se ocupe de date complexe și să producă rezultate pe care oamenii le pot verifica.Totuși, prea des, fluxul de lucru este împărțit în diferiți agenți AI, fiecare responsabil de o singură sarcină - fie că este vorba de crearea de text, categorizarea datelor sau optimizarea ofertelor în izolare - forțând în același timp în mod eficient oamenii să conecteze manual platformele care ar fi trebuit să le economisească timp. Rezultatul este AI, care nu are o arhitectură adecvată care să permită componentelor independente să comunice. Lucrările de inginerie timpurie ale lui Pawar Instruit în inginerie materială la IIT Madras, cariera profesională a lui Pawar a început la Bain Capital Ventures, unde sa alăturat unui mic grup de inginerie axat pe infrastructura de învățare automată pentru analiza de achiziții. Pawar a construit modelele de bază ML și a proiectat conducte de date modulare care au mutat modelele de la notebook-urile Jupyter în API-uri stabile, asigurându-se că toate tipurile de echipe le-ar putea folosi. El a început să lucreze cu AI generativă atunci când sa alăturat ClarityCare, o start-up de asistență medicală care abordează automatizarea pre-autorizării pentru asigurători. Pawar a construit backend-ul de la zero, prelucrând înregistrările medicale reale fără a încălca standardele de confidențialitate și audit. În loc să încerce să înlocuiască revizorii umani, a introdus un strat de verificare care permite asistentelor să confirme rezumatele rapoartelor generate de AI. Sistemul a fost efectiv un succes, reducând timpul de lucru manual cu aproximativ 15%. Aceste experiențe au refăcut modul în care Pawar se gândea la AI. La Bain, el a văzut cum modelele aveau nevoie de o ajustare constantă pentru a le menține în funcțiune.La ClarityCare, această perspectivă a luat o nouă greutate, unde precizia a fost o necesitate pentru pacienții și clinicienii reali, în funcție de rezultate. Acest lucru l-a făcut să vadă din prima mână că fiabilitatea nu ar trebui considerată ca un obiectiv secundar, ci ca un activ cheie care garantează că AI poate fi util în mod corespunzător în setările din lumea reală. „Fiabilitatea este ceea ce separă un produs de un proiect”, spune el. „Înveți repede că partea dificilă nu este de a face AI să se gândească. Inside Kalos: Automatizarea campaniilor de marketing Acest accent pe fiabilitate este ceea ce Pawar aplică acum ca inginer fondator la , o companie care construiește ceea ce ei numesc o platformă de marketing alimentată de agenții AI construită pentru a simplifica cele mai consumatoare de timp părți ale publicității B2B. Scopul companiei este de a transforma fluxurile de lucru de marketing fragmentate în bucle coordonate, automatizate. Kalos Platforma Kalos rulează pe o rețea coordonată de agenți, fiecare gestionând o parte distinctă a procesului de publicitate. Unul analizează apelurile de vânzare ale unei companii, e-mailurile de prospect și notele CRM pentru a înțelege mai bine ceea ce determină conversiile; un altul proiectează anunțuri complete de la text la imagini; un al treilea gestionează publicul, sortând prin diferite criterii pentru a identifica țintele cu valoare ridicată; un al patrulea optimizează campaniile prin ajustarea ofertelor și rularea celor mai puternice anunțuri; și un agent final evaluează performanța campaniei, potrivind metrica cu oportunitățile CRM și conducta pentru a arăta ROI. Împreună, ei transformă ceea ce a fost odată un proces manual într-un ciclu de feedback bazat pe date de cercetare, execuție de anunțuri și întreținere. Sub această interfață se află problema pe care Pawar își petrece cea mai mare parte a timpului rezolvând: orchestrarea. Fiecare agent depinde de ieșirea unui alt agent, iar o singură eroare poate să se încadreze în întregul sistem. Sarcina sa este de a se asigura că aceste dependențe se rezolvă curat, ceea ce înseamnă: refacerea codului confuz, asigurându-se că logica este consecventă pe toți agenții și făcând produsul suficient de rezistent pentru a servi sute de clienți. „Doar o mică parte a AI este despre modele”, spune el. „Restul este ingineria care îl face fiabil și scalabil.” Lecții despre construirea unui AI durabil Lucrările lui Pranav Pawar oferă câteva lecții extrase direct din sistemele pe care le-a construit pentru a se asigura că AI este fiabilă, specifică și utilizabilă în producție. Abordarea punctului de durere în primul rând: Fiecare proiect Pawar a condus a început cu o sticlă de beton: autorizarea prealabilă manuală în domeniul sănătății, analiza fragmentată la Bain, gestionarea repetitivă a anunțurilor la Kalos - fiecare necesitând soluții pentru a aborda probleme specifice. Păstrați oamenii în lanț: La ClarityCare, el a văzut că automatizarea reușește numai atunci când oamenii rămân parte din proces. Prototipuri separate de produse: La Bain, Pawar și-a dat seama că luarea unui model în direct a însemnat reconstrucție și supraveghere constantă. Construiți în jurul metricilor de afaceri: Indiferent dacă optimizați fluxurile de lucru de asigurare sau performanța de marketing, Pawar sa concentrat pe factori precum debitul, eficiența și conversia pentru a măsura succesul modelelor sale. Design pe termen lung: La Kalos, fiecare agent este construit pentru a învăța în mod continuu din datele campaniei, ceea ce este crucial pentru ca sistemul să rămână eficient pe măsură ce piețele și comportamentul clienților se schimbă în timp. El nu tratează AI ca pe o soluție de dimensiuni unice, ci ca pe un software aplicat construit pentru a rezolva probleme specifice în moduri care durează. „Ingineria AI nu este despre hype”, spune el. „Este despre rezolvarea problemelor reale în mod fiabil și la scară.”

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.

Acest audio este produs în limba originală a poveștii!

Dincolo de Hype: Pranav Pawar despre cum să construiești AI de încredere în producție

About Author

COMENTARII

Etichete suspendate

ACEST ARTICOL A FOST PREZENTAT IN

Related Stories

The Spacecoin Writing Contest by Spacecoin and HackerNoon: Round 2 Results 🎉

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 1 Results 🎉

The Data Behind Colorado's First-ever Rural Venture Capital Pitch Event

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

The Spacecoin Writing Contest by Spacecoin and HackerNoon: Round 2 Results 🎉

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 1 Results 🎉

The Data Behind Colorado's First-ever Rural Venture Capital Pitch Event

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps