Den moderna molninfrastrukturen måste hantera miljontals samtidiga användare över dussintals geografiska regioner samtidigt som säkerhets-, tillförlitlighets- och prestandastandarder upprätthålls som uppfyller kraven från myndigheter och Fortune 500-företag.Ingenjörer som arbetar i denna skala navigerar komplexa distribuerade system, automatiserar byggnadsledningar och bygger sofistikerade övervakningsramar som kan upptäcka potentiella avbrott innan de påverkar kunder. De mest framgångsrika infrastrukturingenjörerna visar mångsidighet inom flera områden – från nätverk och säkerhet till AI och maskininlärningssystem. Dessa yrkesverksamma förstår att byggplattformar som används av miljoner inte bara kräver teknisk expertis utan också förmågan att förutse storskaliga utmaningar månader eller år i förväg. Övergången från traditionell molninfrastruktur till AI-drivna dokumentintelligenssystem representerar en naturlig utveckling för ingenjörer som har behärskat grunderna för distribuerad databehandling i hyperskala. Med sju år på Microsoft Azure följt av ledande roller inom företagets AI på Docusign, illustrerar Abhinav Sharma denna omfattande resa genom modern moln- och AI-teknik.Hans erfarenhet sträcker sig över Azure Networkings globala infrastruktur, Azure AI Search: s plattformsutveckling under pre-LLM-tiden och nu arkitekterar dokumentintelligenssystem som bearbetar över 150 miljoner avtal. I den här konversationen utforskar vi Abhinavs resa genom dessa olika tekniska team och arbetet med att bygga och skala storskalig moln- och AI-infrastruktur. Arkitektur av kontinuerliga testramar för global molninfrastruktur ”De tidiga dagarna i Azure Networking var intensiva. Som en ny grad var det överväldigande att dyka in i ett så stort ekosystem av nätverkskomponenter som fungerar i molnskala. Det var lätt att gå vilse i havet av tre bokstavsförkortningar – var och en pekar på ett annat lag eller delsystem – utan en tydlig känsla av hur de alla passar in i den bredare nätverksarkitekturen. Det tog bara flera månader att lära sig lagren i stacken”, påminner Abhinav och reflekterar över sin tidiga karriär efter att ha avslutat sin magisterexamen vid Columbia University 2016. Han tog snart på sig ett projekt som gav honom djup, end-to-end-exponering för Azures offentliga nätverksstack – programvarubalancer, virtuella nätverk och subnät Denna storskaliga test- och övervakningsinsats gjorde det möjligt för Abhinav att utforma och distribuera ett mycket konfigurerbart ramverk som hjälpte den bredare nätverksorganisationen att identifiera regressionsproblem tidigt, särskilt i regioner med låg trafik. Genom att fånga dessa problem innan de eskalerade kunde teamet förhindra hundratals kritiska avbrott som kunde ha påverkat Azure-kunder och undergrävt förtroendet för plattformens tillförlitlighet. ”Det var ett av de uppenbara projekten som helt enkelt behövde existera – ett svårighetsgrad 1-problem i nätverksstacken kan kaskaderas i avbrott över otaliga upstream-tjänster. Bygga en Enterprise Grade Search Platform Efter sin tid i Azure Networking, och mitt i det ökande momentumet kring AI 2018, övergick Abhinav till Azure AI Search. Jämfört med nätverk, var teamet nyare och mindre, fokuserat på att leverera sök-as-a-service-API för företagskunder. ”Om du till exempel är ett stort e-handelsföretag är sökning en grundläggande förmåga. Du kan bygga och underhålla dina egna inhemska sökkluster och team, eller du kan ladda upp det arbetet till Azure AI Search. Efterfrågan på denna typ av hanterad sökfunktion växte snabbt över branscher och användningsfall.” ”Om du till exempel är ett stort e-handelsföretag är sökning en grundläggande förmåga. Du kan bygga och underhålla dina egna inhemska sökkluster och team, eller du kan ladda upp det arbetet till Azure AI Search. Efterfrågan på denna typ av hanterad sökfunktion växte snabbt över branscher och användningsfall.” Under sina fyra år med teamet bidrog Abhinav över flera lager av plattformsstacken. Han arbetade omfattande med flera grundläggande komponenter som är nödvändiga för att skala en tjänst – inklusive telemetriska system, faktureringsinfrastruktur, hemlig hantering, servicebyggnad och ett brett utbud av interna verktyg. Dessa möjligheter bildade ryggraden i plattformens tillväxt, och Abhinav spelade en nyckelroll i att forma dem. ”Att växa tjänsten från bara en handfull regioner till över 40 över hela världen krävde att vi standardiserade och automatiserade vår regionala byggprocess – detta var viktigt för att skala effektivt”, noterar Abhinav. En stor inflationspunkt för teamet kom med JEDI-kontraktet, ett multi-miljarder dollar US-statligt initiativ För att uppnå detta ledde han flera viktiga initiativ för att stärka plattformens säkerhets- och efterlevnadsposition. Han introducerade automatiserade mekanismer för hemlig rotation över en flotta av tiotusentals maskiner, vilket avsevärt förbättrade operativ säkerhet. Han ledde också integritetsinsatser som fokuserade på telemetriobskärning, vilket säkerställde att ingen känslig information loggades och att alla data konsekvent klassificerades och nåddes på lämplig säkerhetsnivå. Dessutom byggde han verktyg med robusta rollbaserade åtkomstkontroller för att stödja just-in-time (JIT) åtkomst för node remediation, vilket ytterligare skärpte plattformens auditerbarhet och säkerhetsmodell. ”Det fanns många krav som fanns på plats för JEDI, många av dem Titta tillbaka: Lärdomar från Azures tillväxt- och karriärpivots ”Det var fascinerande att se Azure som en plattform utvecklas så dramatiskt sedan jag först anslöt mig. Det fanns ett ordspråk i Azure då: designa dina system som om du skulle köra 10x trafiken bara några månader från och med nu. Att designa för hyperskala arbetsbelastningar tvingar dig att tänka annorlunda om allt – hur du tillämpar hyresisolering, hur du närmar dig användarens integritet och dataklassificering, hur du utformar arbetsflödeskontroll och återställande mekanismer, och även hur du bygger verktyg för att utöka din tjänst globalt med konsistenta namngivningar och infrastrukturmönster. Efter sin tid på Microsoft flyttade Abhinav till Docusign, där han gick in i världen av dokumentintelligens och AI-driven lösningar som är utformade för att effektivisera komplexa juridiska processer. ”Efter mycket av denna plattformserfarenhet under mitt bälte kände jag att det var dags att få erfarenhet med kärnsystem ML, särskilt i NLP-utrymmet. Om Abhinav Sharma Abhinav är för närvarande en Personal ML Engineer på Docusign, där han fokuserar på att utveckla dokument-intelligensförmåga för att driva antagandet av Intelligent Agreement Management (IAM) plattformen. Sedan lanseringen i juni 2024 har plattformen bearbetat hundratals miljoner avtal, med Abhinav spelar en nyckelroll i att forma AI-system som möjliggör denna skala. Före Docusign arbetade Abhinav på Microsofts huvudkontor i Redmond, WA, vilket bidrog till kärnmolnet och infrastrukturinitiativ över Azure Networking och Azure AI Search. Hans arbete stödde både den grundläggande ryggraden i Microsoft Azure och tillväxten av Azure AI Search under pre-LLM-perioden. Abhinav har magisterexamen från University of California, Berkeley och Columbia University, där han specialiserat sig på datavetenskap, informationssökning, maskininlärning, distribuerade system och operativ excellens. Han har också fått en kandidatexamen i datavetenskap från Manipal University, bygga en stark grund i kärn datavetenskapsprinciper och programmering. Denna berättelse distribuerades som en release av Sanya Kapoor under HackerNoon Business Blogging Program. Denna berättelse distribuerades som en release av Sanya Kapoor under HackerNoon Business Blogging Program. HackerNoon's Business Blogging Program
