Ang AI ay nag-aalok ng mga kumpanya ng mga bagong paraan upang pumunta sa pamamagitan ng mga malaking bahagi ng impormasyon, mag-usapan ng oras-consuming mga trabaho, at pag-detect ng mas subliminal na pattern sa data. Ngunit habang ang mga sistema na ito ay karaniwang nagpapakita ng pagsisikap sa panahon ng pagsubok, hindi ito nangangahulugan na sila ay hindi mag-struggle kapag ang mga ito ay inilapat, nagtatrabaho sa mga kondisyon kung saan ang data at teknolohiya ng infrastructure ay hindi katumbas, at mga workflows ay napaka-fragmented. Ang kanyang karanasan ay nakita niya ang pagdisenyo ng mga solusyon para sa mga piloto ng agrikultura sa rural, akademikal na pananaliksik, at larong-scale AI deployments, at sa loob ng mga taon ay nakita niya mula sa unang kamay kung paano gumagana ang teknolohiya na ito kapag pumunta mula sa lab. Sa pamamagitan ng mga karanasan na ito, binubuo niya ang isang reputasyon para sa paghahatid ng reliability, kontekstong, at real-world na limitasyon bilang mga pangunahing mga pangunahing mga pangunahing pag-aralan. si Nikita Kotsehub Pagbuo ng Produkto Intuition mula sa Field Matatagpuan sa Ukraine, nagsimula si Kotsehub na bumuo ang kanyang pag-iisip ng kung paano ang teknolohiya ay maaaring lumikha ng isang pagkakaiba kapag ang mga kalakalan ay maliit at ang mga limitasyon ay hindi kailangang umuwi. Ang prospekto na ito ay sumusunod sa kanya sa Minerva University, kung saan siya ay nakatira at nag-aaral sa limang bansa, na nagtatrabaho sa mga lokal na organisasyon sa mga pangangasiwa ng teknolohiya na rarely sumusunod sa mga assumptions ng mga aklat. Ang kanyang pinaka-mahalagang mga leksyon sa panahon na ito ay dumating mula sa mga proyekto na nangangahulugan ng pag-iisa sa mga gumagamit, makinig kung paano sila inihayag ang kanilang pinakamalaking mga problema, at tingnan kung saan ang mga sistema ay bumalik. Ang mga limitasyon ng mga aparato sa rural na mga lugar, ang brittleness ng workflows sa loob ng mga malaking mga organisasyon, at ang gap sa pagitan ng kung paano ang mga engineers mag-imagine ng isang problema at kung paano ito ay tunay na itinatag - ang lahat ng mga elemento na binubuo ang kanyang pag-aari sa kung ano ang gumagawa ng software na tunay na mahahalaga. Sinusubukan niya ang isang prinsipyo na itinatag niya sa panahon ng mga proyekto na ito: ang pinakamalaking engineers ng produkto ay nagkakaroon ng mga taong nakakaalam ng pag-iisip ng friction ng tunay na paggamit. Ang pakiramdam na ito sa pag-immersyon ay mahalaga sa kung paano siya nakikipag-ugnayan sa kanyang propesyonal na trabaho. “Technology ay hindi tungkol sa abstraktong mga modelo,” sinasabi niya, “it ay tungkol sa solusyon ng mga problema na direkta sa buhay ng mga tao.” Federated Learning Breakthroughs sa pamamagitan ng FLoX Ang mga leksyon na ito ay pinagsama sa isa sa mga unang kontribusyon ng Kotsehub sa pananaliksik na komunidad: , isang open-source framework na itinatag niya sa University of Chicago's Globus Labs. ang flux Ang proyekto ay nagtatagumpay sa pag-aalok ng isang pangunahing gap na nakikipagtulungan ng mga mananaliksik kapag nag-experimentate sa federated learning, isang proseso na mag-train ng mga modelo locally sa bawat device kaysa sa pag-send ng data sa isang sentral na server. Ang FLoX ay tumutulong sa barya na ito sa pamamagitan ng paggamit ng isang modelo ng Function-as-a-Service na automatically nagpadala at koordinate ng mga trabaho sa pag-computing sa iba't-ibang mga aparato, na kung saan ang mga team ay maaaring gamitin upang i-execute federated workflows nang walang bumuo ng kanilang sarili na mga sistema ng orchestration. Ang framework ng Kotsehub ay natuklasan na magagamit higit sa mga kontrolado na mga kondisyon ng lab. Ang kanyang disenyo ay nagbibigay-daan upang i-test ang AI sa mga lokasyon na may inconsistent na konektividad, kabilang ang mga proyekto ng rural agriculture kung saan ang mga farmers ay nakikipag-ugnayan sa mga spotty device upang matugunan ang mga kondisyon ng mga crop. Ang influence ng FLoX ay lumaki bilang iba pang mga mananaliksik na binuo sa arkitektura. Ito ay naging base para sa maraming academic extension, kabilang ang Ang FLoX ay isang espirituwal na successor ng FLoX na inilapat ang orihinal na disenyo para sa hierarchical federated-learning setups at higit pa sa produksyon-aligned configurations. Kolektibo, ang FLoX at ang kanyang mga successor na mga proyekto ay sumusuporta sa pananaliksik sa pagitan ng distributed learning, precision agriculture, at serverless ML systems sa mga unibersidad at national laboratories. ang flight I-transform ang mga workflow ng enterprise Sa mga nakaraang ilang taon, ang Kotsehub ay nagtatrabaho sa Palantir bilang isang forward-deployed engineer, kung saan siya ay nagtrabaho nang direkta sa maraming mga kumpanya ng Fortune 100 sa isang panahon kung saan maraming nagsimula lamang na i-explore kung paano ang mga malaking mga modelo ng wika ay maaaring matatagpuan sa kanilang araw-araw na trabaho. Ang trabaho ay nangangahulugan sa pag-install ng mga advanced na mga sistema sa mga nakaraang mga strukturong data, pag-standardize ang mga format ng input ng data, at i-tangling ang mga proseso na ginagamit sa kasaysayan manually. At para sa maraming mga kumpanya na may mga nakaraang mga sistema sa lugar, ang integration ay nangangailangan ng cautious handling ng mahabang, inconsistent, o kahit contradictory inputs na ang mga modelo na ito ay maaaring matugunan sa real workflows. Kapag nakikita ng mga kumpanya na ang mga sistema na ito ay gumagana sa real-time, ang epekto ay naging mas madaling makikita. Ang isang malinaw na halimbawa ng Kotsehub ay dumating mula sa isang proyekto ng insurance na may isang malakas na pipeline ng underwriting. Dozensya ng mga dokumento ay nangangailangan upang i-review at cross-check, at ang bawat kaso ay lumipat sakali sa pamamagitan ng sistema. Sa pamamagitan ng pag-introduction ng isang workflow na pinagsasama sa LLM na maaaring i-extract kritikal na impormasyon mula sa mga dokumento na ito automatically, itinuturing ang isang mahabang, manual na proseso sa isang bagay na maaaring gawin sa isang kwento ng oras. Tulad ng Kotsehub, "Ang pag-implementasyon ng LLMs sa mga hereditary enterprise systems ay nag-aalok sa amin kung paano gumawa ng AI na ganap na mahalaga at reliable." Mula sa field lessons upang bumuo ng mas mahusay na mga produkto Pagkatapos ng ilang taon na gumagawa ng tulong sa mga kumpanya sa pag-integrate ng LLMs sa kanilang workflows, pumasok si Kotsehub sa engineering ng produkto, sumali sa team na responsable para sa isang platform na ginagamit ng mga libu-libong mga organisasyon. Ang pagbabago ay isang natural na extension ng kanyang karanasan, at tinatanggap niya ang mga problema na nakita niya sa panahon ng mga client deployments (mga mula sa limitasyon ng edge-device hanggang sa brittle enterprise workflows) upang ngayon pinanatili kung paano niya hinahanap ang mga tampok na inaasahan para sa mas mataas na paggamit. Sa papel na ito, siya ay responsibo para sa pagbuo ng mga tool ng AI na maaaring mag-operate sa mga hindi-teknikal na gumagamit, na ang kanyang pag-unlad ay inilathala sa pamamagitan ng mga problema na nakita niya kasama ang mga customer. Ang trabaho ay nangangailangan ng balanse ng internal function ng produkto sa mga katotohanan ng kung paano ito ay na-adopt sa pamamagitan ng mga individual na gumagamit, isang balanse na inilathala niya sa pamamagitan ng mga taon ng pag-aayos, integration gaps, at workflow bottlenecks sa produksyon na environment. "Ang lahat ng mga challenge na nakita ko sa pag-implementasyon ay nagpapakita kung paano ko bumuo ngayon," sabi niya. "Ito ay tungkol sa pag-shutdown ng loop sa pagitan ng problema at produkto." Ang karera ni Nikita Kotsehub ay nagpapakita sa isang pangunahing prinsipyo: para sa pag-implementasyon ng AI, ang mga engineer at mga kumpanya ay kailangan ng isang first-hand understanding ng kung paano ang mga tao ay gumagamit ng mga sistema na ito at kung ano ang hinihintay nila upang makakuha ng mula sa mga ito.

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.

Ang audio na ito ay ginawa sa orihinal na wika ng kuwento!

Paano Nikita Kotsehub Bridges AI Research sa Real-World Enterprise Solutions

About Author

MGA KOMENTO

HANG TAGS

ANG ARTIKULONG ITO AY IPINAKITA SA

Related Stories

Getting intimate with Ethereum tokens

COVID-19: We Need More Than Data, We Need Insights!

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

State of the Noonion: The Year of Profitability and Product Renaissance

Getting intimate with Ethereum tokens

COVID-19: We Need More Than Data, We Need Insights!

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

State of the Noonion: The Year of Profitability and Product Renaissance

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps