La inteligencia synthetic tiene la capacidad de automatizar la logística, escanear vastas conjuntos de datos para concepts ocultas y herramientas eléctricas que respondan a los usuarios en tiempo actual, cambiando fundamentalmente cuántas industrias operan.
Pero para que estos sistemas funcionen de manera confiable a escala, necesitan más que solo modelos bien entrenados. Necesitan una infraestructura de again -end estable que pueda admitir el flujo de datos rápido, coordinar los servicios en múltiples servidores y escala a medida que crece la demanda.
Ese tipo de confiabilidad depende de los ingenieros que entiendan los sistemas detrás de los modelos y sepan cómo hacerlos preparados para la producción.
Con experiencia en compañías como Microsoft y Meta, el ingeniero de software program centrado en los sistemas Abhigyan Khaund ha contribuido a los sistemas de detección de fraude que marcan anomalías en tiempo actual, herramientas de reducción de latencia y un marco digital seguro para equipos de defensa. Fue pionero en traer técnicas de inteligencia synthetic como el aprendizaje automático y el aprendizaje de refuerzo en aplicaciones del mundo actual.
Siga leyendo para ver más de cerca la vida temprana de Abhigyan Khaund, la carrera y las valiosas contribuciones para construir la infraestructura de backend detrás de las tecnologías que operan a escala y sirven a millones en todo el mundo.
Comenzando en Microsoft: abordar la latencia en la comunicación empresarial
Después de obtener una licenciatura en informática del Instituto Indio de Tecnología Mandi, Abhigyan comenzó a construir una experiencia del mundo actual en sistemas de backend como ingeniero de software program en Microsoft. Trabajó en la columna vertebral digital para la función de canales compartidos para equipos de Microsoft, que permite a los usuarios de diferentes organizaciones colaborar en el mismo espacio de trabajo.
Estaba a cargo de abordar los crecientes problemas de latencia de la característica. A medida que aumentó la adopción, los retrasos de incorporación se volvieron más frecuentes, ya que los nuevos usuarios tenían que esperar varios minutos antes de obtener acceso, algo inaceptable a nivel empresarial.
El problema surgió del flujo de evaluación de políticas de la función. Cada vez que se agregó un usuario, el sistema reevaluó los permisos desde cero, activando controles redundantes y múltiples llamadas de pink.
Abhigyan rediseñó este flujo al introducir el almacenamiento en caché inteligente de las políticas de acceso, reducir las evaluaciones duplicadas innecesarias y racionalizar la comunicación entre los servicios de backend.
Estos cambios llevaron a una mejora de diez veces en el tiempo de incorporación, ya que permitió que la función escala de manera efectiva a medida que crecía el uso.
“Esa experiencia me dio una apreciación más profunda por el diseño de sistemas y me hizo querer trabajar en el tipo de infraestructura que impulsa silenciosamente entornos complejos y de alto riesgo”, recuerda.
Inspirado por su tiempo en Microsoft, Abhigyan profundizó su enfoque en la informática con una maestría en Georgia Tech. Durante sus estudios, se unió a Meta como pasante de ingeniero de aprendizaje automático, contribuyendo a una iniciativa de toda la empresa para mejorar la detección de fraude. El equipo utilizó el aprendizaje de refuerzo (un área de IA que capacita a los sistemas para tomar decisiones basadas en la retroalimentación en tiempo actual) para analizar el comportamiento del usuario y la actividad sospechosa de la actividad como sucedió.
Aunque los críticos del aprendizaje de refuerzo dicen que hay riesgos de falsos positivos y sesgo algorítmico en los sistemas de detección de fraude a gran escala, Abhigyan y su equipo vieron resultados positivos.
Si bien los modelos se desempeñaron bien en las pruebas, el sistema de producción luchó porque la tubería se construyó en microservicios libremente acoplados sin soporte de conmutación por error, por lo que incluso las desaceleraciones menores podrían interrumpir todo el flujo. Los datos en tiempo actual tienen mucha variación y pueden desencadenar muchos casos de borde 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 de Abhigyan tratando con sistemas frágiles. Como estudiante universitario, trabajó en IceBreaker, un motor de recomendación de video de arranque en frío diseñado para operar con datos de comportamiento mínimos. En este caso, el desafío fue fusionar señales de fuentes dispares como metadatos, incrustaciones e historial de usuarios escasos en una sola tubería que aún podría devolver resultados relevantes desde el principio.
Las herramientas y las estacas en Meta fueron diferentes, pero el desafío period el mismo: construir un sistema de IA capaz de tomar decisiones consistentes y en tiempo actual bajo presión y con datos incompletos.
Si bien el equipo logró mejorar los modelos, el proyecto reforzó el compromiso de Abhigyan de trabajar en la infraestructura de aplicaciones: “Aprendí que los sistemas elegantes no son los que no tienen la arquitectura más elegante. Más bien, son los que permanecen de pie cuando van de lado”.
Desarrollar un marco de imagen operativo unificado
Abhigyan ahora es ingeniero de software program en Palantir Applied sciences, una compañía conocida por construir plataformas de datos. Allí trabaja en sistemas de backend que alimentan los resultados de alto impacto del mundo actual.
Su principal responsabilidad implica mantener un marco de imagen operativo unificado que brinde equipos distribuidos en las sucursales de la compañía, las organizaciones asociadas y los entornos desconectados una conciencia situacional compartida y en tiempo actual. Estos sistemas integran diversos flujos de datos, funcionan de manera confiable en entornos complejos y permiten la interacción receptiva entre las personas y la tecnología.
Abhigyan se enfoca en mantener el marco confiable a medida que más equipos lo adoptan, asegurando que las tuberías de datos se mantengan rápidas, consistentes y seguras. “Este es un entorno de alto riesgo donde la confiabilidad y la estabilidad importan mucho”, explica. “He trabajado para asegurarme de que los backends puedan soportar a gran escala y coordinación de forma segura”.
Construyendo la infraestructura que evita que la IA se rompa
Abhigyan ha centrado su atención en los sistemas de IA que pueden operar independientemente de grandes plataformas en la nube. En lugar de confiar en el acceso constante del servidor, estos agentes livianos y específicos de la tarea se ejecutan 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 al que señala 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. Para Abhigyan, este es un paso essential para hacer que la inteligencia sea más útil en los entornos donde realmente es necesario.
A la larga, ve la ingeniería de IA evolucionando a una disciplina híbrida: parte del constructor de modelos, parte del pensador de sistemas. Está especialmente interesado en cómo los modelos pueden responder mejor en tiempo actual (no solo predecir en lotes), cómo se mantienen bajo un comportamiento del usuario impredecible y cómo aislar fallas sin comprometer la confianza en el sistema.
“El objetivo closing es hacer que la IA se sienta menos como la magia en la nube y más como algo confiable, útil y accesible”, concluye.
A través de su trabajo en detección de fraude, SaaS de datos empresariales y software program en el lugar de trabajo, la carrera de Abhigyan Khaund refleja un principio claro: la IA es tan útil como la base tecnológica detrás de él. Eso significa sistemas que se mantienen bajo presión, tuberías que mantienen los datos fluyendo sin problemas y herramientas de baja latencia que responden el momento que son necesarios.
Y a medida que esta tecnología se vuelve más integrada en las operaciones críticas, su trabajo destaca la importancia no solo de modelos más inteligentes, sino también diseñados para funcionar de manera confiable en condiciones del mundo actual.
