Fyxer কীভাবে আস্থার AI নির্বাহী সহকারী বানাল

অনেক পেশাজীবীর জন্য কাজ মানে ইনবক্স, মিটিং, বার্তা ও অ্যাপজুড়ে কথোপকথন ও অঙ্গীকারের হিসাব রাখা. অত্যন্ত নির্ভরযোগ্য প্রেক্ষাপট না থাকলে সেই অঙ্গীকারগুলো চোখ এড়িয়ে যেতে পারে, যার ক্ষতি পড়ে প্রকল্প ও সম্পর্কে.

কাজ যখন বিভিন্ন টুলের মধ্যে এগোয়, সেই ধারাবাহিকতা অনুসরণ করতে Fyxer একটি AI নির্বাহী সহকারী তৈরি করেছে. এটি সর্বশেষ OpenAI মডেলগুলোর সঙ্গে ৫০০,০০০ ঘণ্টার বেশি নির্বাহী সহকারী কর্মপ্রবাহ মিলিয়ে কাজ করে, আর কাজগুলো ভাগ করে দেয় ডজনখানেক বিশেষায়িত মডেলের মধ্যে, যেগুলো বাস্তব ব্যবহারকারীর মতামত থেকে উন্নত হয়.

এটি কীভাবে কাজ করে, তা দেখার সবচেয়ে স্পষ্ট জায়গাগুলোর একটি হলো ইমেইল. দুজন মানুষ একই ইমেইল পেতে পারেন, কিন্তু সম্পর্ক, আগে কী ঘটেছে এবং প্রত্যেকে কী করতে চাইছেন তার ওপর নির্ভর করে তাদের সম্পূর্ণ ভিন্ন উত্তর দরকার হতে পারে. এ কারণেই আপাতদৃষ্টিতে সহজ একটি কাজ AI-এর জন্য আশ্চর্যরকম কঠিন হয়ে ওঠে.

“মোরাভেকের প্যারাডক্স বলে একটি বিষয় আছে,” ব্যাখ্যা করেন Fyxer-এর সহ-প্রতিষ্ঠাতা আর্চি হলিংসওর্থ. “মানুষের কাছে যা সহজ, কম্পিউটারের কাছে তা কঠিন; আর কম্পিউটারের কাছে যা সহজ, মানুষের কাছে তা কঠিন.” Fyxer প্রতিটি ব্যবহারকারী কীভাবে কাজ করেন তা শিখে এই জটিলতা সামলায়, যাতে এটি এমন এক সহকারীর মতো সাড়া দিতে পারে, যে আগে থেকেই জানে কোন বিষয়টি গুরুত্বপূর্ণ.

ইমেইল বোঝা ও সঠিক প্রেক্ষাপট খুঁজে বের করা থেকে খসড়া তৈরি পর্যন্ত অভিজ্ঞতার গুরুত্বপূর্ণ অংশগুলোতে OpenAI-এর অত্যাধুনিক মডেল সহায়তা করে. Fyxer OpenAI বেছে নিয়েছে, কারণ এর মডেলগুলো Fyxer-এর অভ্যন্তরীণ বেঞ্চমার্কে সবচেয়ে ভালো করেছে, সুর ও উদ্দেশ্যের মতো বিষয়ভিত্তিক কাজের জন্য শক্তিশালী ফাইন-টিউনিং সক্ষমতা দিয়েছে, এবং হোয়াইটবোর্ডিং সেশন ও প্রযুক্তিগত সহযোগিতার মাধ্যমে সরাসরি প্রকৌশল সহায়তা দিয়েছে.

উচ্চ প্রেক্ষাপটনির্ভর AI পণ্য তৈরি করছেন এমন প্রতিষ্ঠাতাদের জন্য Fyxer-এর পদ্ধতি তিনটি শিক্ষা দেয়:

Fyxer তার সিস্টেম ৩০–৫০টি বিশেষায়িত মডেল ঘিরে তৈরি করেছে, যার প্রতিটিই ইমেইল কর্মপ্রবাহের একটি সীমিত অংশের দায়িত্বে থাকে. ইমেইলকে একক টেক্সট-জেনারেশন কাজ হিসেবে দেখার বদলে Fyxer সমস্যাটিকে পূর্বাভাসের একটি সিস্টেমে ভাগ করে, যেমন কোনো বার্তার উত্তর দরকার কি না নির্ধারণ করা, অথবা ব্যবহারকারীর সুর ও প্রেক্ষাপটের সঙ্গে মেলে এমন উত্তর খসড়া করা.

“একটি মডেলকে ভালো ইমেইল লিখতে বলার চেয়ে সমস্যাটিকে অনেক ছোট মডেলে ভাগ করা অনেক ভালো কাজ করে,” হলিংসওর্থ ব্যাখ্যা করেন.

নতুন ইমেইল এলে, উত্তর-সিদ্ধান্ত মডেল বার্তাটিকে শ্রেণিবদ্ধ করে: এতে কি উত্তর দরকার, সময়সূচি-সংক্রান্ত পদক্ষেপ দরকার, নাকি এটি কেবল এমন তথ্য যা ব্যবহারকারীর দেখা উচিত?

উত্তর দরকার হলে, অতিরিক্ত মডেলগুলো ইমেইলের উদ্দেশ্য বিশ্লেষণ করে এবং যোগাযোগটির সম্ভাব্য ফলাফল অনুমান করে. এই মডেলগুলো বুঝে নেয় কথোপকথনটি বৈঠকের সময় ঠিক করার দিকে যাচ্ছে, কোনো অনুরোধ সমাধানের দিকে এগোচ্ছে, নাকি দীর্ঘমেয়াদি সম্পর্কের ধারাবাহিকতা চালিয়ে যাচ্ছে.

মেমোরি সিস্টেমের সবচেয়ে গুরুত্বপূর্ণ অংশগুলোর একটি. Fyxer-কে ঠিক করতে হয় কোন বিবরণ কথোপকথনজুড়ে টিকে থাকবে, আর কোনটি একবারের বিনিময়ের পর মুছে যাবে. নতুন ইমেইল এলে, রিট্রিভাল মডেলগুলো সেটিকে সংরক্ষিত মিথস্ক্রিয়ার সঙ্গে তুলনা করে এবং সেই ব্যক্তি ও ধারাবাহিকতার জন্য সবচেয়ে প্রাসঙ্গিক স্মৃতিগুলো সামনে আনে.

OpenAI মডেলগুলো Fyxer-এর সিস্টেমজুড়ে বিভিন্ন ধাপ চালায়. “ইমেইলটি আসলে কী নিয়ে, তা বোঝার জন্য সেটি বিশ্লেষণ করা থেকে শুরু করে আমরা যে প্রেক্ষাপট যুক্ত করতে চাই তা টেনে আনা ও পুনরায় র‍্যাঙ্ক করা, তারপর প্রকৃত ইমেইল তৈরি করা—সবকিছুর জন্যই আমরা OpenAI মডেল ব্যবহার করি,” শান্টসিলা বলেন.

নিজেদের AI পণ্য চালুর আগে Fyxer বহু বছর মানব-চালিত নির্বাহী সহকারী সেবা পরিচালনা করেছে. সময়ের সঙ্গে দলটি ৫০০,০০০ ঘণ্টার বেশি টীকাযুক্ত নির্বাহী কর্মপ্রবাহ থেকে তৈরি একটি ডেটাসেট জমা করে, যেখানে প্রকৃত সহকারীরা কীভাবে পেশাগত যোগাযোগ সামলান তা ধরা পড়ে.

এই উদাহরণগুলো Fyxer-কে কাজের ভেতর থেকেই নেওয়া প্রশিক্ষণ ডেটা দিয়েছে. সেগুলো ভালো উত্তরের পেছনের সূক্ষ্ম বিচারগুলো ধরেছে: কখন দ্রুত উত্তর দিতে হবে, কখন অপেক্ষা করতে হবে, আগের কোন কথোপকথন গুরুত্বপূর্ণ, এবং একই অনুরোধে ব্যক্তি ভেদে কীভাবে ভিন্ন উত্তর লাগতে পারে.

Fyxer তার বিস্তৃত সিস্টেমজুড়ে সুপারভাইজড ফাইন-টিউনিং এবং Low-Rank Adaptation (LoRA) ব্যবহার করে, যাতে প্রশিক্ষণ ব্যয় নিয়ন্ত্রণে রেখে কাজভিত্তিক মডেল ভ্যারিয়েন্ট তৈরি করা যায়. পণ্যের বিকাশের শুরুর দিকে, উচ্চ নির্ভুলতা দরকার এমন কাজের জন্য দলটি OpenAI-এর ফাইন-টিউনিং প্ল্যাটফর্ম ব্যবহার করেছিল. সম্প্রতি Fyxer OpenAI-এর পরিচালিত ফাইন-টিউনিং দলের সঙ্গে কাজ করে একটি নতুন চেকপয়েন্ট উৎপাদনে নিয়েছে.

কোনো মডেল স্থাপনের আগে Fyxer সেটিকে নিজেদের ইমেইল কাজ ঘিরে তৈরি ভ্যালিডেশন সেটে মূল্যায়ন করে, যার মধ্যে খসড়া লেখা, শ্রেণিবিন্যাস এবং অগ্রাধিকার নির্ধারণ রয়েছে. দলটি নির্ভুলতার পাশাপাশি সাড়া দেওয়ার সময় ও ব্যয়ও বিবেচনা করে, কারণ কাজভেদে সেরা পছন্দ বদলাতে পারে.

স্থাপনের পর Fyxer-এর সিস্টেম বাস্তব ব্যবহারকারীর মতামতের মাধ্যমে উন্নতি চালিয়ে যায়. কেউ কোনো খসড়া পাঠানোর আগে সম্পাদনা করলে, মূল ও চূড়ান্ত ইমেইলের পার্থক্য দেখায় কোন আউটপুট তিনি পছন্দ করেছেন.

Fyxer Direct Preference Optimization (DPO) ব্যবহার করে এই তুলনাগুলোকে প্রশিক্ষণ ডেটায় রূপ দেয়. প্রতিটি উদাহরণ হাতে লেবেল করার বদলে, মডেল আউটপুটের জোড়া থেকে শেখে: মূল খসড়া এবং ব্যবহারকারী-সম্পাদিত সংস্করণ.

এরপর খসড়া লেখার প্রতিটি পরিবর্তন A/B পরীক্ষার মধ্য দিয়ে যায়. পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ উন্নতি দেখা গেলেই Fyxer নতুন সংস্করণ প্রকাশ করে. ব্যবহারকারীর সংখ্যা বেশি হওয়ায় দলটি কখনও কখনও এক দিনের মধ্যেই সেই সীমায় পৌঁছাতে পারে.

বর্তমানে Fyxer-এর AI-তৈরি খসড়ার ৫৩% যেমন লেখা হয়, তেমনই গৃহীত হয়. এর অর্থ, বাস্তব কথোপকথনের বড় অংশে সিস্টেমটি উদ্দেশ্য ও সুর সঠিকভাবে অনুমান করছে. শুধু ২০২৫ সালেই Fyxer-এর বার্ষিক পুনরাবৃত্ত আয় ১০ লাখ ডলার থেকে ৩২ মিলিয়ন ডলারে বেড়েছে.

হলিংসওর্থের কাছে আরও শক্তিশালী সংকেত হলো ব্যবহারকারী ধরে রাখা. Fyxer-এর অনেক গ্রাহক খুব প্রযুক্তিবিশেষজ্ঞ নন, এবং কারও কারও জন্য Fyxer-ই প্রথম AI সিস্টেম, যা তারা প্রতিদিন ব্যবহার করেন.

সামনের দিকে তাকিয়ে Fyxer সম্পর্ক, পছন্দ এবং চলমান কাজের ধারাবাহিকতা আরও গভীরভাবে বোঝার সক্ষমতা তৈরি করছে. তাদের সহকারী উত্তর লেখার খসড়ার বাইরে এগিয়ে আরও বিস্তৃত AI সহকারী হয়ে উঠছে, যা ব্যবহারকারীর যোগাযোগ ও সমন্বয়ের কাজের বড় অংশ সামলাতে পারে.

“আমাদের লক্ষ্য হলো গ্রাহকদের যতটা সম্ভব সেই কাজ করতে দেওয়া, যা তারা সত্যিই ভালোবাসেন,” হলিংসওর্থ বলেন. “আমরা তাদের এমন জায়গায় পৌঁছাতে চাই, যেখানে তাদের কখনও কম্পিউটার খুলতে হবে না এবং তারা এসব সামলানোর জন্য Fyxer-কে ভরসা করতে পারবেন.”