予測不可能な実験ではなく、信頼できる同僚のように振る舞うAIを構築することは、現在、エンジニアリングで最も困難な問題の1つです。 エンジニア Pranav Pawar にとって、そのギャップの解決は彼の仕事の中心となっています。Venture Analytics、ヘルスケア自動化、そして現在はスタートアップの Kalos でマーケティングインフラストラクチャをカバーする役割を通じて、彼は AI を信頼性と信頼性を高めるという基本原則に焦点を当てています。 なぜほとんどのAIはスケールする前に失敗するのか ほとんどのシステムは制御されたデモで非常にうまく機能し、通常チームがどのように動作するかという複雑さに直面したときに生産を解き明かすだけで、それは通常、より少ないポリスされたデータ、予測不能なユーザーの行動、またはオープンタイムに対する絶え間ない需要に対処することを意味します。 企業は、信頼できると感じるシステムを必要としているため、規制の変化に適応し、複雑なデータを処理し、人間が検証できる結果を生成する必要があります。しかし、あまりにも頻繁に、ワークフローは異なるAIエージェントに分かれ、それぞれが1つのタスクを担当します - テキストを作成するか、データを分類するか、単独でオファーを最適化するか - 効果的に人々を時間を節約することを目的としたプラットフォームに手動で接続させます。 結果として、独立したコンポーネントがコミュニケーションをとることができる適切なアーキテクチャが欠けているAIです。 パヴァールの初期工学作品 IIT Madrasで材料工学の訓練を受け、パワールのプロフェッショナルキャリアはBain Capital Venturesで始まり、取引アナリティクス用の機械学習インフラストラクチャに焦点を当てた小さなエンジニアリンググループに加わりました。パワールは基本的なMLモデルを構築し、Jupyterのノートブックから安定したAPIにモデルを移行するモジュールデータパイプラインを設計し、あらゆる種類のチームがそれらを使用できるようにしました。 彼は、保険会社向けの事前承認自動化に対処する医療スタートアップであるClarityCareに加わったとき、最初に生成型AIで働き始めた。Pawarは、プライバシーおよび監査基準に違反することなく、本物の医療記録を処理し、ゼロからバックエンドを構築しました。人間のレビュー者を置き換えようと試みる代わりに、看護師がAIによって生成されたレポートの概要を確認できる検証層を導入しました。 これらの経験は、パヴァールがAIについてどのように考えているかを再構成しました。Bainでは、モデルが動作を維持するために絶え間ない細かい調節を必要としているのを見ました。ClarityCareでは、その洞察力は新たな重みを占め、正確さは結果に応じて実際の患者や臨床医にとって必要不可欠でした。 信頼性は二次的な目標ではなく、AIがリアルな環境で適切に役に立つことを保証する重要な資産であると彼は最初から理解した。 Inside Kalos: マーケティングキャンペーンの自動化 この信頼性に焦点を当てたことは、パヴァールが創設エンジニアとして現在適用していることです。 同社は、AIエージェントによるマーケティングプラットフォームを構築し、B2B広告の最も時間がかかる部分を簡素化することを目指しています。 カラス Kalosプラットフォームは、各社が広告プロセスの異なる部分を処理する、調整されたエージェントネットワーク上で動作します。1社は、企業の販売呼び出し、前向きな電子メール、およびCRMノートを分析して、変換を促進する原因をよりよく理解します。もう1社はテキストから画像まで完全な広告を設計します。3社は視聴者を管理し、さまざまな基準を通じて高価値のターゲットを特定し、4社はオファーを調整し、最も強力な広告を実行することでキャンペーンを最適化します。 一緒に、かつて手動のプロセスだったものを、研究、広告実行、およびメンテナンスのデータ主導のフィードバックループに変える。 そのインタフェースの下には、パヴァールがほとんどの時間をオーケストレーションで解決することに費やしている問題があります。各エージェントは別のエージェントの出力に依存し、一つのエラーがシステム全体にカスケードする可能性があります。彼の仕事は、これらの依存性がきれいに解決されることを保証することです、つまり、混乱のコードを再現し、すべてのエージェントで論理が一貫していることを確認し、製品を何百人もの顧客にサービスするのに十分に耐久させます。 持続的なAIを構築するためのレッスン Pranav Pawarの仕事は、AIが信頼性、特定性、生産に使用できるようにする方法を彼が構築したシステムから直接得たいくつかの教訓を提供しています。 痛みのポイントを最初に解決する:パヴァールのすべてのプロジェクトは、医療における手動の事前承認、ベインの断片的な分析、カロスでの繰り返し広告管理、それぞれ特定の問題に対処するソリューションが必要なボトルネックから始まりました。 ClarityCareでは、自動化は人々がプロセスの一部にとどまるときにのみ成功することを発見しました。看護師はAIによって生成された概要をレビューし、それに置き換えられず、信頼を強化するシステムを作成しました。 製品から別々のプロトタイプ: ベインでは、パワールはモデルをライブで取ることに、継続的な再構築と監督を意味することに気づきました。 ビジネスメトリックを構築する: 保険ワークフローの最適化やマーケティングのパフォーマンスに関わらず、Pawarは、パウダウト、効率性、および変換などの要因に焦点を当て、モデルの成功を測定しました。 長期的な設計:カロスでは、各エージェントは継続的に継続的なキャンペーンデータから学ぶように構築されており、市場と顧客の行動が時間とともに変化するにつれて、システムが効果的であることが重要です。 彼はAIを一つのサイズに合ったソリューションではなく、特定の問題を解決するために作られたアプリケーションソフトウェアとして扱っています。

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.

このオーディオは、ストーリーの元の言語で制作されています。

The Hype: Pranav Pawar on How to Build Reliable AI in Production

About Author

コメント

ラベル

この記事は

Related Stories

18 種類の開発者ツールで生産性を向上しましょう 🚀🔥

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

目に見えない層: ユーザーインタビューがかけがえのない資産である理由

18 種類の開発者ツールで生産性を向上しましょう 🚀🔥

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

目に見えない層: ユーザーインタビューがかけがえのない資産である理由

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps