Yapay zeka, şirketlere büyük bilgi parçalarını incelemek, zaman alıcı görevleri üstlenmek ve verilerdeki daha ince desenleri tespit etmek için yeni yollar sunar.Ama bu sistemler test sırasında genellikle umut verici gösterirken, bu, bir kez dağıtıldıklarında, veri ve teknik altyapının uyumsuz olduğu ve iş akışlarının parçalanmış olduğu koşullarla uğraşmadıkları anlamına gelmez. Çalışmasında, kırsal tarım pilotları, akademik araştırmalar ve büyük ölçekli AI dağıtımları için çözümler tasarlamış ve yıllar boyunca bu teknolojinin laboratuvarı terk ettikten sonra nasıl davrandığını ilk elden gördü. Nikita Kocaeli Ürün Intuition of the Field Ukrayna’da büyüdüğünde, Kotsehub, kaynaklar az olduğu ve kısıtlamalar kaçınılmaz olduğu zaman teknolojinin nasıl bir fark yaratabileceğine dair anlayışını şekillendirmeye başladı. Bu dönemde en şekillendirici dersleri, kullanıcılarla oturmak, en büyük zorluklarını nasıl tanımladıklarını duymak ve sistemlerin nerede çöktüğünü izlemek içeren projelerden geldi. kırsal alanlarda cihazların sınırlamaları, büyük organizasyonların içindeki iş akışlarının kırılganlığı ve mühendislerin bir sorunu nasıl hayal ettikleri ve nasıl pratikte uyguladığı arasındaki boşluk - tüm bu unsurlar, yazılımı gerçekten faydalı kılan şeylere dair görüşünü şekillendirdi. Bu projeler sırasında geliştirdiği bir prensibi tanımlıyor: En güçlü ürün mühendisleri, gerçek kullanımın sürtünmesini hissetmiş olanlardır. ”En iyi ürün mühendisleri, gerçek dünyadaki sorunları çözmek için ürünü kullanmanın acısını yaşayanlardır.” Profesyonel işine nasıl yaklaştığı için bu dalışa odaklanmak önemli olacaktır. “Teknoloji, soyut modellerden ibaret değildir,” açıklıyor, “bu, insanların hayatlarını doğrudan etkileyen sorunları çözmekle ilgilidir.” FLoX ile Federated Learning Çözümleri Bu dersler, Kotsehub'un araştırma topluluğuna en erken katkılarından birine doğrudan katkıda bulunmuştur: Chicago Üniversitesi’ndeki Globus Labs’ta geliştirdiği açık kaynaklı bir çerçeve. Floks Proje, araştırmacıların federatif öğrenme ile deneyimlediklerinde karşılaştıkları büyük bir boşluğu gidermek amacıyla, veri merkezli bir sunucuya göndermek yerine her cihazda modellerin yerel olarak eğitilmesini sağlayan bir süreçtir. FLoX, bu engeli, çeşitli cihazlar üzerinde otomatik olarak hesaplama görevlerini yönlendiren ve koordine eden bir Function-as-a-Service modeli kullanarak ele aldı, bu da takımların kendi orkestrasyon sistemlerini oluşturmadan federasyonlu iş akışlarını çalıştırmak için kullanabilecekleri anlamına geliyordu. Kotsehub'ın çerçevesi kontrol edilen laboratuvar koşullarının ötesinde yararlı olduğu kanıtlanmıştır. tasarımı, çiftçilerin bitki koşullarını izlemek için lekeli cihazlara güvendiği kırsal tarım projeleri de dahil olmak üzere, uyumsuz bağlantıya sahip yerlerde AI'yi test etmeyi mümkün kılmıştır. Kotsehub daha sonra kırsal pilotların ilk başlangıç noktası olarak başarıya ulaştığı anı tanımladı ve “ kırsal çiftçilerin araştırma prototiplerinden faydalanmalarını görmenin önemli bir an olduğunu” belirtti. FLoX'in etkisi, diğer araştırmacıların mimarisi üzerine kurduğu gibi genişledi. , FLoX'in orijinal tasarımı hierarşik federated-learning kurulumları ve daha fazla üretimle uyumlu yapılandırmalar için uyarlayan manevi bir sonucudur. Toplu olarak, FLoX ve sonraki projeleri, dağıtılmış öğrenme, hassas tarım ve üniversitelerde ve ulusal laboratuvarlarda sunucu olmayan ML sistemlerinde araştırma destekledi. Uçuş Kurumsal iş akışlarını dönüştürmek Geçtiğimiz yıllarda, Kotsehub, Palantir'da ileriye yönelik bir mühendis olarak çalıştı ve birçok kişi, büyük dil modellerinin günlük işlerine nasıl uyabileceğini keşfetmeye başlamışken, birçok Fortune 100 şirketiyle doğrudan çalıştı. Çalışma, bu gelişmiş sistemleri eski veri yapılarına yerleştirmek, veri giriş formatlarını standartlaştırmak ve tarihsel olarak el ile yapılan işlemleri çözmek anlamına geliyordu. ve eski sistemleri olan birçok şirket için, entegrasyon, bu modellerin gerçek iş akışlarında karşılaşabileceği uzun, tutarsız veya hatta çelişkili girişlerin dikkatli bir şekilde ele alınmasını gerektiriyordu. Ekipler, hızlı işlem etrafında koruyucu çubuklar oluşturmak ve bir model pattern dışına çıktığında ortaya çıkan izleme araçları oluşturmak zorunda kaldı. Şirketler bu sistemlerin gerçek zamanlı olarak çalıştığını gördüğünde, etkiyi anlamak daha kolaylaştı.Kotsehub’un net bir örneği, geniş bir sözleşme boru hattı olan bir sigorta projesinden geldi.Düzenli belgeler gözden geçirilmesi ve çapraz kontrol edilmesi gerekiyordu ve her durum sistemin içinden yavaş yavaş hareket etti.Bu belgelerden kritik bilgileri otomatik olarak çıkarabilecek bir LLM yönlendirilmiş çalışma akışını tanıtarak, uzun ve manuel bir süreç saatler içinde yapılabilecek bir şeye dönüştü. Kotsehub’ın dediği gibi, “LLM’leri eski işletme sistemlerine dağıtmak, bize AI’yi hem faydalı hem de güvenilir hale getirmeyi öğretti.” Daha iyi ürünler üretmek için alan dersleri Şirketlerin LLM'leri iş akışlarına entegre etmelerine yardımcı olmak için birkaç yıl geçirdikten sonra, Kotsehub ürün mühendisliğine gitti ve binlerce kuruluş tarafından kullanılan bir platformun sorumlu ekibine katıldı. Bu rolde, teknik olmayan kullanıcıların kullanabileceği AI araçlarının oluşturulmasından sorumludur, yaklaşımını müşterilerle birlikte gördüğü zorluklarla bilgilendirir. iş, ürünün iç fonksiyonunu bireysel kullanıcılar tarafından nasıl kabul edileceği gerçeğiyle dengelemek, başarısızlıkların, entegrasyon boşluklarının ve üretim ortamlarında iş akışındaki şişmanlıkların yıllarca ele alınmasıyla öğrendiği bir denge. “Girişimi yaparken karşılaştığım her zorluk, şu anda nasıl inşa edeceğimi gösteriyor,” diyor. “Problem ve ürün arasındaki döngüyü kapatmakla ilgilidir.” Nikita Kotsehub'ın kariyeri tek bir ilkeye işaret ediyor: AI'nin başarılı bir şekilde uygulanması için hem mühendisler hem de şirketler bu sistemleri nasıl kullandıklarını ve bunlardan çıkmayı umduğunu ilk elden anlamalıdır.

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.

Bu ses hikayenin orijinal dilinde üretilmiştir!

Nikita Kotsehub, AI Araştırmalarını Gerçek Dünya Kurumsal Çözümlerle Nasıl Bağlar

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Başarılı Buluta Geçiş İçin Tam Kılavuz: Stratejiler ve En İyi Uygulamalar

HackerNoon Yazma Yarışmasını mı Kazanmak İstiyorsunuz? İşte #crypto-api Yarışması Kazananlarının Önerileri

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Başarılı Buluta Geçiş İçin Tam Kılavuz: Stratejiler ve En İyi Uygulamalar

HackerNoon Yazma Yarışmasını mı Kazanmak İstiyorsunuz? İşte #crypto-api Yarışması Kazananlarının Önerileri

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps