La inteligencia artificial tiene la capacidad de automatizar la logística, escanear vastos conjuntos de datos para obtener insights ocultos y poderosas herramientas que responden a los usuarios en tiempo real, cambiando fundamentalmente la cantidad de industrias que operan. Pero para que estos sistemas funcionen de forma confiable a escala, necesitan más que sólo modelos bien entrenados. necesitan una infraestructura de backend estable que pueda soportar un flujo de datos rápido, coordinar servicios en múltiples servidores y escalar a medida que crece la demanda. Este tipo de fiabilidad depende de los ingenieros que entienden los sistemas detrás de los modelos y saben cómo hacer que estén listos para la producción. Con experiencia en empresas como Microsoft y Meta, el ingeniero de software enfocado en los sistemas Abhigyan Khaund ha contribuido a los sistemas de detección de fraudes que señalan anomalías en tiempo real, herramientas de reducción de latencia y marcos digitales seguros para equipos de defensa. Continúe leyendo para ver más de cerca la vida temprana, la carrera y las valiosas contribuciones de Abhigyan Khaund a la construcción de la infraestructura de backend detrás de tecnologías que operan a escala y sirven a millones de personas en todo el mundo. Comenzando en Microsoft: abordar la latencia en la comunicación empresarial Después de obtener un título de licenciatura en informática del Instituto de Tecnología de India Mandi, Abhigyan comenzó a construir experiencia en el mundo real en sistemas de backend como ingeniero de software en Microsoft. Trabajó en la columna vertebral digital de la función de canales compartidos para Microsoft Teams, que permite a los usuarios de diferentes organizaciones colaborar en el mismo espacio de trabajo. A medida que la adopción aumentó, los retrasos en la incorporación se hicieron más frecuentes, con nuevos usuarios que tuvieron que esperar varios minutos antes de obtener acceso, algo inaceptable a nivel empresarial. Cada vez que se añadió un usuario, el sistema reevaluó los permisos desde cero, desencadenando cheques redundantes y múltiples llamadas de red. Abhigyan rediseñó este flujo introduciendo el almacenamiento en caché inteligente de las políticas de acceso, reduciendo las evaluaciones duplicadas innecesarias y simplificando la comunicación entre los servicios de backend. Estos cambios llevaron a una mejora de diez veces en el tiempo de embarque, ya que permitió que la característica se escalara de manera efectiva a medida que crecía el uso. “Esa experiencia me dio un aprecio más profundo por el diseño de sistemas y me hizo querer trabajar en el tipo de infraestructura que silenciosamente potencia entornos complejos y de alto interés”, recuerda. Pasar a meta y correr a las restricciones para la IA Inspirado por su tiempo en Microsoft, Abhigyan profundizó su enfoque en la informática con un máster en Georgia Tech. Durante sus estudios, se unió a Meta como entrenador de ingeniería de aprendizaje automático, contribuyendo a una iniciativa de toda la empresa para mejorar la detección de fraudes. Aunque los críticos del aprendizaje reforzado dicen que hay riesgos de falsos positivos y prejuicios algorítmicos en los sistemas de detección de fraudes a gran escala, Abhigyan y su equipo vieron resultados positivos. Mientras que los modelos se hicieron bien en las pruebas, el sistema de producción luchó porque la tubería se construyó sobre microservicios ligeramente acoplados sin soporte de fallover, por lo que incluso desaceleraciones menores podrían interrumpir el flujo completo. datos en tiempo real tiene mucha variación y puede desencadenar muchos casos de punta en el sistema, pero sistemas como estos no tienen el lujo de fallar o dar resultados incorrectos en momentos críticos. Esta no fue la primera vez que Abhigyan se ocupó de sistemas frágiles. En este caso, el desafío era fusionar señales de fuentes dispares como metadatos, embeddings y escaso historial de usuario en un único tubo que todavía podía devolver resultados relevantes desde el principio. IceBreaker Las herramientas y las apuestas en Meta eran diferentes, pero el reto era el mismo: construir un sistema de IA capaz de tomar decisiones consistentes en tiempo real bajo presión y con datos incompletos. Mientras el equipo logró mejorar los modelos, el proyecto reforzó el compromiso de Abhigyan de trabajar en la infraestructura de aplicaciones: “He aprendido que los sistemas elegantes no son los con la arquitectura más fantástica. Desarrollo de un marco de imagen operativa unificado Abhigyan es ahora un ingeniero de software en Palantir Technologies, una compañía conocida por la construcción de plataformas de datos. Su principal responsabilidad consiste en mantener un marco de imagen operativa unificado que proporcione a los equipos distribuidos a través de las sucursales de la empresa, las organizaciones asociadas y los entornos desconectados una conciencia situacional compartida en tiempo real.Estos sistemas integran diversos flujos de datos, funcionan de forma fiable en entornos complejos y permiten una interacción responsiva entre personas y tecnología. Abhigyan se centra en mantener el marco fiable a medida que más equipos lo adoptan, asegurando que las rutas de datos permanezcan rápidas, consistentes y seguras. “Este es un entorno de alto nivel donde la fiabilidad y la estabilidad importan mucho”, explica. Construir la infraestructura que impide que la IA se rompa Abhigyan ha dirigido su atención a los sistemas de IA que pueden operar independientemente de las grandes plataformas de nube. En lugar de depender del acceso constante al servidor, estos agentes ligeros y específicos de tareas funcionan directamente en dispositivos personales como teléfonos y tabletas, lo que les permite responder rápidamente y continuar funcionando incluso cuando la conectividad es limitada. Un marco que apunta como ejemplo es el protocolo de contexto del modelo (MCP), que permite a los agentes de IA conectarse de forma segura y dinámica a fuentes de datos externas. A largo plazo, ve la ingeniería de la IA evolucionando en una disciplina híbrida: constructor de modelos de partes, pensador de sistemas de partes. Está especialmente interesado en cómo los modelos pueden responder mejor en tiempo real (no sólo predecir en lotes), cómo se mantienen bajo un comportamiento de usuario impredecible, y cómo aislar fallos sin comprometer la confianza en el sistema. “El objetivo final es hacer que la IA se sienta menos como magia en la nube y más como algo confiable, útil y accesible”, concluye. A través de su trabajo en detección de fraudes, datos corporativos SaaS y software de lugar de trabajo, La carrera refleja un principio claro: la IA es tan útil como la base tecnológica detrás de ella, lo que significa que los sistemas se mantienen bajo presión, las tuberías que mantienen los datos fluyendo sin problemas y las herramientas de baja latencia que responden al momento en que son necesarias. de Abhigyan Khaund Y a medida que esta tecnología se incorpora más en las operaciones críticas, su trabajo destaca la importancia de no sólo modelos más inteligentes, sino sistemas diseñados para funcionar de manera fiable en condiciones del mundo real.

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

Este audio es producido en el idioma original de la historia!

Abhigyan Khaund sobre la ingeniería de sistemas detrás de las aplicaciones de IA

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps