V HackerNoon si ceníme príbehy o budovaní prelomových technológií. Tieto otázky sa netýkajú len mechaniky AI – sú o inováciách, výzvach a kreativite pri uvádzaní špičkových nástrojov do života, ktoré sa perfektne hodia pre našu komunitu technologických lídrov, staviteľov a čitateľov zameraných na budúcnosť.  Úvod  Volám sa   . Pracujem v tíme úložiska v   , kde pracujeme na tom, aby sme zákazníkom umožnili ukladať veľké množstvá údajov v otvorenom, škálovateľnom formáte pomocou našej Data Intelligence Platform. Konkrétne pracujem na našom úsilí o interoperabilitu s Delta Lake a Apache Iceberg. Aniruth Databricks    Aký hlavný problém má vyriešiť váš produkt AI a čo je efektívne na vašom prístupe k jeho riešeniu? HackerNoon:    : Databricks zjednocuje údaje a AI, aby zákazníkom poskytol použiteľnú inteligenciu – to, čo nazývame dátová inteligencia. To zahŕňa prijímanie veľkého množstva údajov, ETL, veľkokapacitné úložisko, dotazy business intelligence a pracovné zaťaženie AI. Techniky používané v strojovom učení v poslednom desaťročí existujú už od 80. rokov; Nárast veľkých dát umožnil spúšťať algoritmy vo veľkom rozsahu. Aniruth  Techniky, ako je niekoľko výstrelov alebo RAG, sa spoliehajú na vysokokvalitné údaje. Modely, ktoré majú lepšie dáta, vyhrávajú nad modelmi s lepšou architektúrou. Databricks investoval značné investície do popredného úsilia v dátovom priestore, pričom je priekopníkom v architektúre Lakehouse s otvorenými dátovými formátmi a otvorenou správou, kde zákazníci môžu získať tie najlepšie prehľady s najlepším výkonom z dátových jazier.  Aké kritériá ste použili na výber konkrétnych modelov AI pre tento produkt a ako vaša spoločnosť robí takéto rozhodnutia?  Modely AI používame v produkte mnohými spôsobmi – ako napríklad Llama 3 pre asistenta AI. Veríme v ekosystém otvorených údajov a AI a povzbudzujeme našich zákazníkov, aby používali akýkoľvek model podľa vlastného výberu. Pomáhame zabezpečiť, aby zákazníci mali komplexné riadenie počas celého životného cyklu AI bez ohľadu na modely, ktoré používajú, aby sa mohli sústrediť na to, aby svoje modely vytvorili účelovo pre ich prípady použitia.  Ako zabezpečíte, aby váš produkt poskytoval používateľom presné a nezaujaté výsledky?  Vynaložili sme značné úsilie a investície do uprednostňovania presnosti a nezaujatých odpovedí na používanie AI v rámci našich produktov a naďalej vykonávame časté testovanie.  Aký je váš deň v živote ako produktový manažér?  Dátový a AI priestor sa rýchlo vyvíja, takže je veľmi dôležité udržiavať aktuálne informácie. Môj deň môže zahŕňať rozhovory so zákazníkmi, analýzu trhu, zostavovanie dokumentu s požiadavkami na produkt alebo prípravu marketingových materiálov. Mojou obľúbenou časťou je vytváranie diagramov znázorňujúcich, ako budú veci fungovať, pretože je celkom zábavné premeniť nápad na vizuál.  Aký je ďalší veľký prielom v oblasti AI, ktorý by mal každý sledovať?  Čoskoro príde veľa veľkých objavov. Jedna, ktorá ma obzvlášť zaujíma, je hyperpersonalizácia obsahu. Za posledné desaťročie boli reklamy doladené na konkrétneho diváka. Niektoré prvky obsahu boli vyladené, ako napríklad miniatúra, ktorú Netflix zobrazuje používateľovi, ale skutočný obsah (samotné video) nebol. Bude zaujímavé sledovať, ako režiséri/producenti vyvažujú rozprávanie príbehu, ktorý chcú, a záujmy používateľa.  Aká bola najväčšia výzva, ktorej ste čelili pri uvádzaní tohto produktu AI na trh, od konceptu až po uvedenie na trh?  Pracujem na rozsiahlom ukladaní údajov, čo môže byť veľmi mätúce na pochopenie. Máme rôzne optimalizácie údajov umelou inteligenciou, ale často sa vyskytujú otázky o tom, kedy sa tieto optimalizácie spúšťajú, ako fungujú, čo nepokrývajú atď. Pri takýchto otázkach je dôležité zabezpečiť, aby sme mali jasné a konzistentné správy o čo staviame a prečo. Zistil som, že vysvetľovanie príčiny obmedzení u zákazníkov veľmi dobre rezonuje.  Ako si predstavujete vývoj AI, aby lepšie porozumela ľudským emóciám a reagovala na ne a aké výzvy alebo príležitosti v tejto oblasti vidíte?  Multimodálne modely sa v nasledujúcich rokoch výrazne zlepšia, čo zmení náš primárny spôsob interakcie s AI. Zistenie ľudských emócií je výrazne jednoduchšie z obrazových alebo zvukových informácií v porovnaní s textom. Myslím si, že je tu príležitosť vytvoriť prirodzenejšie interakcie v širšom spektre scenárov.  Aké metriky výkonu alebo KPI sledujete, aby ste zmerali úspech tohto produktu AI?  Zvyčajne chceme vidieť dobrú spätnú väzbu a používanie. Často sa rozprávam so zákazníkmi, aby som pochopil, ako a prečo si myslia o našich produktoch, čo je kľúčové na vysvetlenie, prečo vidíme určité trendy v metrikách.  Ako pristupujete k navrhovaniu zážitku z produktu, ktorý je nielen funkčný, ale aj pútavý a zapamätateľný pre používateľov?  Rozsiahle dátové produkty sú notoricky náročné na používanie. Jednoduché príklady sa dajú ľahko nastaviť, ale produkčné úlohy zvyčajne zahŕňajú mätúcu konfiguráciu a kód. Bolo pre mňa vysokou prioritou vybudovať funkcie, ktoré zákazníci potrebujú, a zároveň urobiť produkt veľmi jednoduchým na používanie.  Budúcnosť je miesto, kde každá firma ľahko získa prehľad zo svojich údajov. V súčasnom svete sú obchodné poznatky založené na údajoch zvyčajne obmedzené na najväčšie spoločnosti – ale aj tie by uprednostňovali jednoduchší zážitok.  Ako si myslíte, že z dlhodobého hľadiska pomôže AI jednotlivcovi dosiahnuť svoj plný potenciál?  Pokiaľ ide o jednotlivca, som veľmi nadšený integráciou AI do hardvéru. Doteraz sme umelú inteligenciu väčšinou videli v softvérových aplikáciách, ako sú webové stránky. Existuje mnoho väčších aplikácií stavebných zariadení, ktoré využívajú AI, a niektoré z týchto dôsledkov už začíname vidieť v autách a telefónoch.  Kde vidíte vývoj produktu v najbližších rokoch a aké funkcie by ste najradšej pridali?  Databricks je na ceste k tomu, aby sa stal čoraz jednoduchším a zároveň výkonnejším. Vo všeobecnosti pracujeme na mnohých snahách, od zjednodušenia práce s rozsiahlymi údajmi a výpočtovými prostriedkami až po zlepšenie výkonu pri otázkach a pracovných postupoch. Osobne si myslím, že v rámci produktu čoskoro pribudnú niektoré vzrušujúce funkcie, ktoré značne uľahčujú pracovné postupy s AI. Príklady zahŕňajú komentáre k údajom generované AI, návrhy kódu AI v editoroch notebookov a rozhrania AI na chatovanie s údajmi (napríklad Databricks AI/BI Genie).  Aký je váš pohľad na vplyv AI na pracovné miesta a ako tieto obavy riešite vo svojej produktovej stratégii?  Existujú obavy, či AI zníži počet pracovných miest. Naše produkty sú navrhnuté tak, aby poskytovali cenné informácie, ktoré často prichádzajú v spojení s používateľmi. Napríklad s AI/BI Genie môžu používatelia vytvárať rozhrania na svojich vlastných údajoch. Toto je magický zážitok, v ktorom môžu používatelia klásť otázky a získať odpovede, ktoré sú pre nich špecifické. V skutočnosti môžu používatelia dokonca skontrolovať používané SQL, aby potvrdili, že je to to, čo hľadajú. Ide o spoluprácu s analytikmi, čím sa skracuje čas, ktorý im trvá prejsť od nápadu k poznaniu.  Aká spätná väzba od používateľov vás prekvapila a viedla k zmenám vo vašej cestovnej mape, stratégii alebo skúsenostiach s produktom?  Jedným veľkým prekvapením pre mňa bola zložitosť, ktorú majú niektoré väčšie spoločnosti. To vnáša do produktu požiadavky, o ktorých by som sám neuvažoval. Bežným príkladom je premýšľanie o migračných stratégiách pri zavádzaní nového produktu. Veľké spoločnosti zvyčajne buď zostavia existujúce technológie (zvyčajne softvér s otvoreným zdrojovým kódom), alebo vytvoria vlastný softvér na vyriešenie problému, ktorý rieši naša nová ponuka produktov. Zvyčajne to chvíľu trvá, kým pochopíte, prečo a ako sú tieto veci spojené, aby sme sa uistili, že máme riešenie, ktoré pokrýva všetky možnosti.  Chceli by ste sa pokúsiť odpovedať na niektoré z týchto otázok?  Máte záujem prečítať si obsah všetkých našich výziev na písanie? Kliknite   Odkaz na šablónu je TU.   TU.

Between Two Computer Monitors: This story includes an interview between the writer and guest/interviewee. 

Read My Stories

Tento zvuk je vyrobený v pôvodnom jazyku príbehu!

„Budúcnosť je tam, kde každá firma ľahko získa informácie zo svojich údajov,“ hovorí Aniruth z Databricks

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

16 Best Sklearn Datasets for Building Machine Learning Models

Mutmut: a Python mutation testing system

Behavior of a shapely Spider

Code Smell 298 - How to Fix Microsoft Windows Time Waste

16 Best Sklearn Datasets for Building Machine Learning Models

Mutmut: a Python mutation testing system

Behavior of a shapely Spider

Code Smell 298 - How to Fix Microsoft Windows Time Waste

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps