Artificiell intelligens har förmågan att automatisera logistik, skanna stora datamängder för dolda insikter och kraftfulla verktyg som svarar på användare i realtid, vilket fundamentalt förändrar hur många branscher som är verksamma. Men för att dessa system ska fungera tillförlitligt i stor skala behöver de mer än bara välutbildade modeller.De behöver en stabil backend-infrastruktur som kan stödja snabba dataflöden, samordna tjänster över flera servrar och skala när efterfrågan växer. Den typen av tillförlitlighet beror på ingenjörer som förstår systemen bakom modellerna och vet hur man gör dem produktionsfärdiga. Med erfarenhet från företag som Microsoft och Meta har systemfokuserad mjukvaruingenjör Abhigyan Khaund bidragit till bedrägeridetekteringssystem som flaggar anomalier i realtid, verktyg för att minska fördröjningen och säkra digitala ramverk för försvarsteam. Läs vidare för en närmare titt på Abhigyan Khaunds tidiga liv, karriär och värdefulla bidrag till att bygga backend-infrastrukturen bakom teknologier som fungerar i stor skala och betjänar miljontals över hela världen. Få sin start på Microsoft: Ta itu med latens i företagskommunikation Efter att ha tjänat en kandidatexamen i datavetenskap från det indiska institutet för teknik Mandi började Abhigyan bygga verkliga erfarenheter i backend-system som mjukvaruingenjör på Microsoft. Han var ansvarig för att ta itu med funktionens växande latensproblem.När antagandet ökade, blev förseningar i ombordstigningen vanligare, med nya användare som måste vänta flera minuter innan de fick tillgång – något som är oacceptabelt på företagsnivå. Varje gång en användare läggs till, omvärderade systemet behörigheter från grunden, vilket utlöste redundanta kontroller och flera nätverkssamtal. Abhigyan omdesignade detta flöde genom att införa intelligent cachning av åtkomstpolicyer, minska onödiga dubbletter av utvärderingar och effektivisera kommunikationen mellan backend-tjänster. Dessa förändringar ledde till en tiofaldig förbättring av ombordtid eftersom det tillät funktionen att skala effektivt när användningen ökade. "Den erfarenheten gav mig en djupare uppskattning för systemdesign och fick mig att vilja arbeta på den typ av infrastruktur som tyst driver komplexa, höga satsningsmiljöer", minns han. Flytta till Meta och kör in i begränsningar för AI Inspirerad av sin tid på Microsoft fördjupade Abhigyan sitt fokus på datavetenskap med en magisterexamen vid Georgia Tech. Under sina studier anslöt han sig till Meta som maskininlärningsingenjör, vilket bidrog till ett företagsomfattande initiativ för att förbättra bedrägeridetektion. Även om kritiker av förstärkningsinlärning säger att det finns risker för falska positiva och algoritmisk bias i storskaliga bedrägeridetekteringssystem, såg Abhigyan och hans team positiva resultat. Medan modellerna fungerade bra i tester, kämpade produktionssystemet för att rörledningen byggdes på löst kopplade mikroservicer utan stöd för felöverföring, så även mindre fördröjningar kan störa hela flödet. realtidsdata har mycket varians och kan utlösa många kantfall i systemet, men system som dessa har inte lyxen att misslyckas eller ge felaktiga resultat i kritiska tider. Detta var inte första gången Abhigyan handlade med ömtåliga system. I det här fallet var utmaningen att samla signaler från olika källor som metadata, inbäddningar och sparsam användarhistorik i en enda rörledning som fortfarande kunde returnera relevanta resultat från början. Isbrytare Verktygen och insatserna på Meta var olika, men utmaningen var densamma: bygga ett AI-system som kan fatta konsekventa, realtidsbeslut under tryck och med ofullständiga data. Medan teamet lyckades förbättra modellerna förstärkte projektet Abhigyans engagemang för att arbeta med applikationsinfrastruktur: ”Jag lärde mig att eleganta system inte är de med den mest fantastiska arkitekturen. Utveckla en enhetlig operativ bildram Abhigyan är nu en mjukvaruingenjör på Palantir Technologies, ett företag som är känt för att bygga dataplattformar. Hans huvudsakliga ansvar innebär att upprätthålla en enhetlig ram för driftsbild som ger distribuerade team över företagets filialer, partnerorganisationer och avkopplade miljöer en delad, realtidssituationsmedvetenhet.Dessa system integrerar olika dataströmmar, fungerar pålitligt över komplexa miljöer och möjliggör responsiv interaktion mellan människor och teknik. Abhigyan fokuserar på att hålla ramverket tillförlitligt när fler team antar det, vilket säkerställer att data pipelines förblir snabba, konsekventa och säkra. ”Detta är en miljö med höga insatser där tillförlitlighet och stabilitet spelar stor roll”, förklarar han. ”Jag har arbetat för att säkerställa att backendarna kan stödja storskalig och säker samordning.” Bygg infrastrukturen som håller AI från att bryta I stället för att förlita sig på konstant serveråtkomst, kör dessa lätta, uppgiftsspecifika agenter direkt på personliga enheter som telefoner och surfplattor, så att de kan reagera snabbt och fortsätta att fungera även när anslutningen är begränsad. En ram han pekar på som ett exempel är modellkontextprotokollet (MCP), som gör det möjligt för AI-agenter att säkert och dynamiskt ansluta till externa datakällor. På lång sikt ser han AI-teknik utvecklas till en hybrid disciplin: delmodellbyggare, delsystemtänkare.Han är särskilt intresserad av hur modeller kan bättre reagera i realtid (inte bara förutsäga i partier), hur de håller sig till oförutsägbart användarbeteende och hur man isolerar misslyckanden utan att äventyra förtroendet för systemet. "Det slutliga målet är att göra AI känns mindre som magi i molnet och mer som något pålitligt, användbart och tillgängligt", avslutar han. Genom sitt arbete inom bedrägeridetektion, företagsdata SaaS och programvara på arbetsplatsen, Karriären återspeglar en tydlig princip: AI är bara lika användbar som den tekniska grunden bakom den.Det betyder system som håller upp under tryck, rörledningar som håller data flöda smidigt och låga latensverktyg som svarar när de behövs. Om Abhigyan Khaund Och eftersom denna teknik blir mer inbäddad i kritiska operationer, framhäver hans arbete vikten av inte bara smartare modeller, utan system som är utformade för att prestera pålitligt i verkliga förhållanden.

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

Det här ljudet är producerat på berättelsens originalspråk!

För länge; Att läsa

Make resilience your competitive advantage

Abhigyan Khaund om systemtekniken bakom AI-applikationer

About Author

KOMMENTARER

HÄNG TAGGAR

DENNA ARTIKEL PRESENTERAS I

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps