Nilesh lidera la ingeniería en Inferless, una plataforma sin estado y sin servidor construida desde cero para ayudar a los desarrolladores a implementar modelos personalizados y de código abierto con bajos tiempos de inicio en frío y escalado automático eficiente. Ha ayudado a cientos de empresas a optimizar su infraestructura en la nube; desarrolló una plataforma de automatización de anuncios basada en aprendizaje automático mientras estaba en Amazon; y ha publicado una patente sobre el uso de la contenedorización de aplicaciones y varias otras sobre análisis de código.
La experiencia de Nilesh se centra en la infraestructura de aprendizaje automático, Kubernetes, ingeniería, infraestructura de IA, implementación de modelos de IA y observabilidad y despliegue de agentes de IA. Tiene un título de Bachelor of Technology en Ingeniería de Software Informático del Delhi College of Engineering.
En este episodio, el Dr. Darren participa en una conversación estimulante con Nilesh Agarwal, cofundador y CTO de InferLess. Nilesh explora la evolución de la IA y el papel crucial de la gestión de datos en el panorama actual. Destaca los desafíos que enfrentan las organizaciones en términos de seguridad de datos, eficiencia y la necesidad de arquitecturas de datos innovadoras. La discusión también aborda la importancia de la computación en el borde, el potencial de los modelos de IA híbridos y la aparición de hardware especializado para satisfacer las demandas cambiantes de las aplicaciones de IA. Nilesh enfatiza la importancia de integrar la IA en las canalizaciones de datos para mejorar el acceso y la seguridad de los datos, al tiempo que aborda las complejidades de gestionar múltiples modelos y asegurar el uso eficiente de los recursos de computación. ## Conclusiones * La IA ha cambiado el enfoque de la computación a la gestión de datos. * La eficiencia de los datos es crucial para un entrenamiento efectivo de modelos. * Las organizaciones están cada vez más preocupadas por la seguridad de los datos. * Los almacenes de datos a menudo son inadecuados para las necesidades modernas de datos. * Están surgiendo nuevas arquitecturas, como las bases de datos vectoriales. * La IA puede mejorar el acceso a los datos a través de consultas en lenguaje natural. * Los modelos híbridos dominarán el futuro de la IA. * La computación en el borde es esencial para aplicaciones en tiempo real. * El hardware especializado será más prevalente en la IA. * La limpieza de datos es crucial para prevenir la filtración de PII.