Абхигьян Хаунд на системной инженерии, стоящих за приложениями искусственного интеллекта
17 июля 2025 г.Искусственный интеллект обладает возможностью автоматизировать логистику, обширные наборы данных для скрытых идей, а также электроинструменты, которые реагируют на пользователей в режиме реального времени, принципиально изменяя, сколько отразителей работает.
Но чтобы эти системы могли надежно функционировать в масштабе, им нужны не только хорошо обученные модели. Им нужна стабильная бэкэнд -инфраструктура, которая может поддерживать быстрый поток данных, координировать услуги на нескольких серверах и масштабировать по мере роста спроса.
Такая надежность зависит от инженеров, которые понимают системы, стоящие за моделями, и знают, как сделать их готовыми к производству.
С опытом работы в таких компаниях, как Microsoft и Meta, инженер-программист, ориентированный на системы Abhigyan Khaund, внес свой вклад в системы обнаружения мошенничества, которые помечают аномалии в инструментах по снижению задержки в режиме реального времени, и обеспечивают цифровую структуру для команд обороны. Он был пионером в привлечении техник ИИ, таких как машинное обучение и подкрепление обучения в реальные приложения.
Читайте дальше для более внимательного взгляда на раннюю жизнь, карьеру и ценный вклад Абхигьян Хаунда в создание бэкэнд -инфраструктуры, лежащую в основе технологий, которые работают в масштабе и обслуживают миллионы по всему миру.
Получение своего начала в Microsoft: решение задержки в предприятии
После получения бакалавра в области компьютерных наук от Индийского технологического института Манди, Абхигьян начал создавать реальный опыт в бэкэнд-системах в качестве инженера-программиста в Microsoft. Он работал над цифровой основой для функции общих каналов для Microsoft Teams, которая позволяет пользователям из разных организаций сотрудничать в той же рабочей области.
Он отвечал за решение растущих проблем с задержкой этой функции. По мере увеличения принятия задержки в адаптировании стали более частыми: новым пользователям приходилось ждать несколько минут, прежде чем получить доступ - что -то неприемлемое на уровне предприятия.
Проблема проистекает из потока оценки политики функции. Каждый раз, когда был добавлен пользователь, систему пересматривали разрешения с нуля, запускают избыточные проверки и несколько сетевых вызовов.
Абхигьян перепроектировал этот поток, внедрив интеллектуальное кэширование политик доступа, снижение ненужных дублирующих оценок и оптимизации связи между бэкэнд -службами.
Эти изменения привели к десятикратному улучшению времени на адаптацию, поскольку она позволила функции эффективно масштабироваться по мере роста использования.
«Этот опыт дал мне более глубокую оценку системного дизайна и заставила меня хотеть работать над инфраструктурой, которая тихо поддерживает сложные условия высоких ставок»,-вспоминает он.
Переход к мета и сталкиваться с ограничениями для ИИ
Вдохновленный своим временем в Microsoft, Абхигьян углубил свое внимание на информатике с мастером в Georgia Tech. Во время обучения он присоединился к Meta в качестве стажера инженера машинного обучения, способствовая общедоступной инициативе по улучшению обнаружения мошенничества. Команда использовала обучение подкреплению (область искусственного интеллекта, которая обучает систем для принятия решений на основе обратной связи в реальном времени), чтобы проанализировать поведение пользователей и пометить подозрительную деятельность, как это произошло.
Хотя критики обучения подкрепления говорят, что существуют риски ложных срабатываний и алгоритмических предвзятости в крупномасштабных системах обнаружения мошенничества, Абхигьян и его команда увидели положительные результаты.
В то время как модели хорошо выполнялись при тестировании, производственная система боролась, потому что трубопровод был построен на слабо связанных микросервисах без поддержки аварийного переключения, поэтому даже незначительные замедления могут нарушить весь поток. Данные в режиме реального времени имеют много дисперсии и могут вызвать множество случаев в системе, но подобные системы не имеют роскоши провалиться или давать неправильные результаты в критическое время.
Это был не первый раз, когда Абхигьян имел дело с хрупкими системами. Как бакалавриат, он работал надЛедокол, молодный двигатель видео рекомендации, предназначенный для работы с минимальными поведенческими данными. В этом случае задача заключалась в том, чтобы объединить сигналы из разнородных источников, таких как метаданные, встраиваемые и редкие истории пользователя, в один трубопровод, который все еще может вернуть соответствующие результаты с самого начала.
Инструменты и ставки в Meta были разными, но проблема была одинаковой: создание системы ИИ, способной принимать согласованные решения в реальном времени под давлением и с неполными данными.
В то время как команда преуспела в улучшении моделей, проект усилил приверженность Абхигяна работать над инфраструктурой приложений: «Я узнал, что элегантные системы - это не те, кто с самой модной архитектурой. Скорее, это те, кто остается стоять, когда дела идут вбок».
Разработка унифицированной системы операционной картинки
Абхигьян в настоящее время является инженером -программистом в Palantir Technologies, компании, известной своим созданием платформ данных. Там он работает над бэкэнд-системами, которые поддерживают высокие результаты реальных результатов.
Его основная ответственность включает в себя поддержание единой операционной структуры изображения, которая дает распределенные команды в разных филиалах компании, партнерских организациях и отключенных средах общей ситуационной осведомленности в реальном времени. Эти системы интегрируют различные потоки данных, надежно функционируют в сложных средах и позволяют реагировать на взаимодействие между людьми и технологиями.
Абхигьян фокусируется на том, чтобы сохранить надежную структуру, так как все больше команд принимают ее, обеспечивая ее трубопроводы оставаться быстрыми, последовательными и безопасными. «Это среда с высокими ставками, где надежность и стабильность важны»,-объясняет он. «Я работал над тем, чтобы убедиться, что бэкэнды могут надежно поддерживать крупномасштабные и координацию».
Создание инфраструктуры, которая не дает ИИ разрываться
Абхигьян обратил свое внимание на системы искусственного интеллекта, которые могут работать независимо от крупных облачных платформ. Вместо того, чтобы полагаться на постоянный доступ к серверу, эти легкие, специфичные для задачи агенты работают непосредственно на персональных устройствах, таких как телефоны и планшеты, что позволяет им быстро реагировать и продолжать функционировать, даже когда подключение ограничено.
Одной из структур, на которые он указывает в качестве примера, является протокол контекста модели (MCP), который позволяет агентам искусственного интеллекта безопасно и динамически подключаться к внешним источникам данных. Для Абхигяна это решающий шаг к тому, чтобы сделать интеллект более полезным в условиях, где это действительно необходимо.
В долгосрочной перспективе он видит, как ИИ Инженерная инженерия превращается в гибридную дисциплину: чар -модель, строитель, мыслитель систем деталей. Он особенно заинтересован в том, как модели могут лучше реагировать в режиме реального времени (не только предсказать партиям), как они держатся под непредсказуемым поведением пользователя, и как изолировать сбои без ущерба для доверия к системе.
«Конечная цель состоит в том, чтобы ИИ чувствовал себя менее похожим на магию в облаке и больше похоже на что -то надежное, полезное и доступное», - заключает он.
Благодаря своей работе по обнаружению мошенничества, SaaS Data Data и программным обеспечениям на рабочем месте,Абхигьян ХаундсКарьера отражает четкий принцип: ИИ так же полезен, как и технологическая основа. Это означает, что системы, которые удерживаются под давлением, трубопроводы, которые поддерживают плавные данные, и инструменты с низкой задержкой, которые отвечают в тот момент, когда они необходимы.
И поскольку эта технология становится более встроенной в критические операции, его работа подчеркивает важность не просто более умных моделей, но и систем, предназначенных для надежного выполнения в реальных условиях.
Оригинал