Κατασκευή αυτοβελτιούμενων φορολογικών πρακτόρων με Codex

Πώς η Thrive Holdings και η OpenAI συν-ανέπτυξαν το Tax AI για τους λογιστές της Crete, συνδυάζοντας την τεχνογνωσία των επαγγελματιών με έναν βρόχο που καθοδηγείται από το Codex

Τα συστήματα του πραγματικού κόσμου συμπεριφέρονται διαφορετικά στην παραγωγή απ’ ό,τι σε ένα εργαστήριο, αποτυγχάνοντας με τρόπους που είναι δύσκολο να προβλεφθούν πριν από την ανάπτυξη. Οι ομάδες συχνά ανακαλύπτουν αυτές τις αστοχίες μετά την κυκλοφορία και έπειτα περνούν εβδομάδες επιθεωρώντας ακραίες περιπτώσεις, προσαρμόζοντας προτροπές και μεταφράζοντας την ανατροφοδότηση παραγωγής σε διαρκείς βελτιώσεις προϊόντος. Ο βρόχος ανατροφοδότησης είναι χειροκίνητος και αργός και βελτιώνεται μόνο όταν τον προωθεί ένας μηχανικός. Όμως σήμερα, με προσεκτικά σχεδιασμένη υποδομή eval, άμεση πρόσβαση σε επαγγελματίες και περιβάλλοντα του πραγματικού κόσμου, και τις πρωτοποριακές πρακτορικές δυνατότητες του Codex, μπορείτε να χτίσετε πράκτορες που αυτοβελτιώνονται.

Σε αυτή την ανάρτηση, θα αναλύσουμε πώς χρησιμοποιήσαμε το Codex για να χτίσουμε αυτόν τον τύπο πράκτορα. Τους τελευταίους έξι μήνες, μηχανικοί και ερευνητές της OpenAI σε επιτόπια ανάπτυξη, μαζί με τους μηχανικούς της Thrive Holdings, συνεργάστηκαν για να χτίσουν το Tax AI δίπλα και για το δίκτυο 30+ λογιστικών εταιρειών της Crete⁠(ανοίγει σε νέο παράθυρο), ώστε να βοηθήσουν στην προετοιμασία ολοένα πιο σύνθετων φορολογικών δηλώσεων. Αντί να βασίζεται σε μηχανικούς για να βρίσκουν και να διορθώνουν κάθε αστοχία, το Tax AI χρησιμοποιεί το Codex για να μετατρέπει τη χρήση στην παραγωγή σε δομημένα σήματα που τροφοδοτούν την αυτόνομη βελτίωση.

Οι επαγγελματίες της Crete προετοιμάζουν δεκάδες χιλιάδες φορολογικές δηλώσεις κάθε περίοδο, κάτι που απαιτεί επεξεργασία εκατομμυρίων υποκείμενων εγγράφων. Για δηλώσεις μέσης έως μεγάλης πολυπλοκότητας, μόνο η καταχώριση δεδομένων μπορεί να πάρει οκτώ ώρες ανά δήλωση, συχνά με ακατάστατες πηγές δεδομένων, έγγραφα προηγούμενου έτους και χειροκίνητη εξαγωγή και υπολογισμό. Μας υπέδειξαν τη φορολογική προετοιμασία ως σημαντικό σημείο συμφόρησης στο πιο πολυάσχολο διάστημα της φορολογικής περιόδου.

Για να λύσει αυτό το πρόβλημα, το Tax AI επεξεργάστηκε 7.000 φορολογικές δηλώσεις στις εταιρείες της Crete που συμμετείχαν στο πιλοτικό πρόγραμμα αυτή τη φορολογική περίοδο. Το σύστημα αυτοματοποιεί μεγάλο μέρος της χρονοβόρας διαδικασίας προετοιμασίας φορολογικών δηλώσεων 1040 και 1041, αλλά ακόμη πιο εντυπωσιακό από τα κέρδη αποδοτικότητας είναι ότι το ίδιο το σύστημα είναι μετρήσιμα καλύτερο από την έκδοση που αναπτύχθηκε πρώτη φορά πριν από τρεις μήνες.

Στο Tax AI, οι επαγγελματίες ανεβάζουν αρχεία πηγής μαζί με τυχόν σημειώσεις ειδικές για τον πελάτη. Στη συνέχεια, το Tax AI δημιουργεί μια υποβολή στη φορολογική μηχανή, έτοιμη για έλεγχο. Τους εξοικονομεί περίπου το ένα τρίτο του χρόνου τους στη φορολογική προετοιμασία, συντάσσει δηλώσεις με ακρίβεια έως 97% και αυξάνει τη ρυθμαπόδοση κατά περίπου 50%, δημιουργώντας περισσότερο χώρο για να περνούν χρόνο με πελάτες. 

Μπορούμε να ποσοτικοποιήσουμε αυτή τη βελτίωση κατανοώντας με πόση ακρίβεια το Tax AI μπορεί να ολοκληρώσει μια δήλωση χωρίς να χρειαστεί διόρθωση αργότερα. Μετράμε την ακρίβεια ελέγχοντας ποιο ποσοστό δηλώσεων φτάνει σε 75%, 90% ή 100% σωστή συμπλήρωση πεδίων. Κατά την κυκλοφορία, μόνο το ένα τέταρτο των δηλώσεων βρισκόταν στο 75% σωστής συμπλήρωσης πεδίων, αλλά μέσα σε έξι εβδομάδες το 86% έφτασε αυτό το επίπεδο. Το σύστημα έδειξε ακόμη ταχύτερη ανάπτυξη στα επίπεδα 90% και 100% σωστής συμπλήρωσης πεδίων. Αυτά τα όρια μάς δίνουν μια πρακτική εικόνα για το πόση παρακολούθηση από επαγγελματία απαιτούν ακόμη διαφορετικές δηλώσεις. 

Στην αρχή, το Tax AI χειριζόταν απλούστερη εργασία, όπως W-2 και 1099. Καθώς προχωρούσε η περίοδος, μετακινήθηκε σε πιο σύνθετες δηλώσεις με K-1, schedules και δυσκολότερες ακραίες περιπτώσεις. Κάθε νέα δυνατότητα εξοικονομούσε περισσότερο χρόνο ανά δήλωση από την προηγούμενη, επειδή τα έργα που αναλάμβανε ήταν δυσκολότερα και πιο χρονοβόρα να γίνουν χειροκίνητα. Συνεχίζουμε να βλέπουμε συνεχή πρόοδο και σήμερα.

Στη συνέχεια, θα δούμε πώς οι ομάδες μας συν-σχεδίασαν το Tax AI ώστε να αυτοβελτιώνεται, βασιζόμενες σε τρεις κρίσιμους πυλώνες: 1) ανατροφοδότηση από ειδικούς επαγγελματίες, 2) ίχνη παραγωγής (ένα δομημένο ιστορικό από τις εισόδους έως την τελική έξοδο) και 3) έναν βρόχο επανάληψης που καθοδηγείται από το Codex, βασισμένο σε προσαρμοσμένα evals, για να επιτρέπει συνεχή και ταχύτερη ανάπτυξη προϊόντος. Ελπίζουμε η εμπειρία μας να φανεί χρήσιμη και σε άλλους δημιουργούς σε τομείς όπου η τεχνογνωσία των επαγγελματιών είναι καθοριστική για τη διαμόρφωση της ποιότητας του συνολικού συστήματος και των δεδομένων που το διατρέχουν.

Καθώς προχωρούσαμε στα δυσκολότερα μέρη της φορολογικής προετοιμασίας (K-1, προγράμματα ενοικιαζόμενων ακινήτων και φορολογικά έντυπα όπου οι τιμές έπρεπε να συμφωνηθούν μεταξύ πολλαπλών αρχείων πηγής), έγινε προφανές ότι η πραγματική πρόκληση ήταν αν το προϊόν μπορούσε να κάνει τις σύνθετες αστοχίες παραγωγής ορατές, κατανοητές και αξιοποιήσιμες.

Στις πρώτες ημέρες του προϊόντος, το μεγαλύτερο μέρος της διόρθωσης ήταν χειροκίνητο. Οι επαγγελματίες μπορούσαν να διορθώνουν σφάλματα του συστήματος, αλλά το προϊόν δεν κατέγραφε το πλήρες πλαίσιο: μια αλλαγμένη τιμή πριν από την υποβολή μπορεί να αντανακλούσε πραγματική αστοχία εξαγωγής, πρόβλημα αντιστοίχισης, έλλειψη υποστήριξης προϊόντος ή αναμενόμενο θόρυβο ροής εργασίας. Η ταξινόμηση αυτών των περιπτώσεων εξακολουθούσε να απαιτεί παρακολούθηση από τη μηχανική ομάδα. Οι μηχανικοί μπορούσαν να χρησιμοποιούν πράκτορες κώδικα, αλλά το σύστημα δεν είχε ακόμη σχεδιαστεί ώστε να χρησιμοποιεί την TN με ουσιαστικό τρόπο μέσα σε έναν βρόχο βελτίωσης. Δεν είχαμε το σήμα για να εντοπίσουμε τον σωστό λόφο να ανέβουμε.

Αυτό μας οδήγησε να σχεδιάσουμε το σύστημα γύρω από τρεις πυλώνες:

1. Μείνετε κοντά στους επαγγελματίες: Οι άνθρωποι που κάνουν τη δουλειά πρέπει να κατευθύνουν τι μαθαίνει το προϊόν. Η διαίσθηση και η κατανόησή τους αποκαλύπτουν ποια σφάλματα έχουν σημασία και βοηθούν να καθοριστεί σε ποια μέρη της ροής εργασίας αξίζει να εστιάσουμε στη συνέχεια.
2. Χτίστε το προϊόν ώστε η παραγωγή να δημιουργεί στοιχεία: Το προϊόν πρέπει να καταγράφει περισσότερα από εισόδους και εξόδους· πρέπει να καταγράφει την πλήρη διαδρομή από το υλικό πηγής, στα εξαγόμενα πεδία και την προέλευση, έως την κατάντη υποβολή και τη διόρθωση από ειδικό.
3. Δημιουργήστε έναν βρόχο βελτίωσης που καθοδηγείται από το Codex: Μόλις τα ζητήματα παραγωγής γίνουν ορατά και δομημένα, μπορούν να μετατραπούν σε ευρήματα, προσαρμοσμένα evals και οριοθετημένα μηχανικά έργα. Το Codex μπορεί έπειτα να βοηθήσει στη διερεύνηση, να προτείνει αλλαγές, να τις επικυρώσει έναντι στοχευμένων και regression evals και να προωθήσει το προϊόν ταχύτερα από έναν καθαρά χειροκίνητο κύκλο επανάληψης. 

Το παράδειγμα των ακινήτων προς ενοικίαση παρακάτω δείχνει πώς λειτουργεί αυτός ο βρόχος στην πράξη, εξηγώντας πώς μια διόρθωση από επαγγελματία γίνεται δομημένο εύρημα, έπειτα στόχος eval και τελικά μηχανικό έργο οριοθετημένο για το Codex.

Το εισόδημα από ακίνητο προς ενοικίαση δηλώνεται στο Schedule E μιας ατομικής φορολογικής δήλωσης. Από μηχανική σκοπιά, το έργο της εξαγωγής του είναι απλό να περιγραφεί αλλά δύσκολο να γίνει καλά. Το σύστημα πρέπει να διαβάζει ακατάστατο υλικό πηγής (χειρόγραφες σημειώσεις, email, υπολογιστικά φύλλα και άλλα αρχεία πελατών), να εξάγει τα πεδία ακινήτου προς ενοικίαση που μπορεί να αντιστοιχίσει με βεβαιότητα στη φορολογική μηχανή και να διατηρεί αρκετά στοιχεία ώστε ένας επαγγελματίας να μπορεί να εγκρίνει ή να διορθώσει το αποτέλεσμα. Το απλοποιημένο παράδειγμα παρακάτω δείχνει πώς μπορεί να μοιάζουν αυτά τα αρχεία πηγής και οι εξαγόμενες έξοδοι.

Μια διαφορά μεταξύ της τιμής που προέβλεψε ο πράκτορας και της πραγματικής τιμής από τη φορολογική δήλωση που υποβλήθηκε μπορεί να αντανακλά πράγματι μια αστοχία εξαγωγής, αλλά μπορεί επίσης να είναι προτίμηση του επαγγελματία, τιμή που μεταφέρθηκε από δήλωση προηγούμενου έτους στη φορολογική μηχανή ή τιμή που εισήχθη ή άλλαξε αλλού στη ροή εργασίας υποβολής. Οι επαγγελματίες μάς βοήθησαν να διακρίνουμε αυτές τις περιπτώσεις ώστε να εντοπίσουμε ποιες ενέργειες απαιτούσαν διόρθωση από επαγγελματία ή εμπόδιζαν μια υποβολή.

Επειδή μπορούσαμε να βλέπουμε αυτές τις διορθώσεις λεπτομερώς, μετατρέψαμε τη διαδικασία ελέγχου από ένα τελικό βήμα μετά την αποτυχία σε έναν συνεχή κύκλο μάθησης. Σχεδιάσαμε τη ροή εργασίας ώστε να καταγράφει τις ενέργειες των ειδικών ως δομημένα δεδομένα. Τώρα, κάθε παρέμβαση τροφοδοτεί τον βρόχο βελτίωσης του προϊόντος καταγράφοντας ακριβώς τι πρότεινε το Tax AI, τι τροποποίησε ο επαγγελματίας και τι τελικά μπήκε στη δήλωση που υποβλήθηκε.

Για μια σύνθετη ροή εργασίας όπως τα ακίνητα προς ενοικίαση, το σύστημα πρέπει να διατηρεί ό,τι συμβαίνει μεταξύ των αρχείων πηγής και της δήλωσης που υποβάλλεται. Κατά μήκος αυτής της διαδρομής, τα έγγραφα οργανώνονται, διαχωρίζονται και ταξινομούνται· τα πεδία ακινήτων προς ενοικίαση εξάγονται με παραπομπές πίσω στο υλικό πηγής· αυτές οι τιμές αντιστοιχίζονται στη φορολογική μηχανή· και οι επαγγελματίες μπορεί ακόμη να τις διορθώσουν πριν από την υποβολή. Αυτά τα ίχνη σε επίπεδο προϊόντος καθιστούν δυνατό να διερευνηθεί πού συνέβη μια αστοχία. Για να μετατραπούν οι διορθώσεις των επαγγελματιών σε χρήσιμους στόχους αξιολόγησης, το σύστημα τις επεξεργάζεται σε τρία βήματα:

• Καταγραφή της διαφοράς: Η έξοδος του Tax AI συγκρίνεται με τη δήλωση που υποβλήθηκε ώστε να παραχθούν γραμμές ελέγχου σε επίπεδο πεδίου που καταγράφουν την αναμενόμενη τιμή, την προβλεπόμενη τιμή και το αν η διαφορά φαίνεται αξιοποιήσιμη.
• Ομαδοποίηση σχετικών αστοχιών: Παρόμοιες γραμμές ελέγχου ομαδοποιούνται ώστε να διαχωρίζονται οι επαναλαμβανόμενες αστοχίες του προϊόντος από τον αναμενόμενο θόρυβο της ροής εργασίας. Για παράδειγμα, επαναλαμβανόμενες διορθώσεις από επαγγελματίες μπορεί να δείχνουν ότι το Tax AI συχνά χάνει τα πεδία «ημέρες δίκαιης ενοικίασης», χειρίζεται λανθασμένα τα «λοιπά έξοδα» ή συγχέει πολλαπλά ακίνητα προς ενοικίαση μέσα στο ίδιο πακέτο πηγής.
• Μετατροπή επαναλαμβανόμενων μοτίβων σε στόχους eval: Μόλις ελεγχθούν και μετρηθούν, τα επαναλαμβανόμενα ευρήματα γίνονται σαφείς στόχοι eval για να βελτιωθεί το Codex.

Ο τρίτος πυλώνας είναι η δημιουργία ενός μηχανικού βρόχου ικανού να ενεργεί πάνω σε αυτά τα νέα evals. Εδώ το Codex γίνεται κεντρικό.

Ας υποθέσουμε ότι ο αγωγός eval μας επισημαίνει ότι το Tax AI παραλείπει συστηματικά το πεδίο «ημέρες δίκαιης ενοικίασης», ενώ οι επαγγελματίες το συμπληρώνουν αξιόπιστα. Επειδή αυτό το εύρημα έχει ήδη συσκευαστεί σε ένα στοχευμένο σύνολο eval, με αντιπροσωπευτικά πακέτα πηγής και αναμενόμενες εξόδους, το Codex μπορεί να διερευνήσει την πρωταρχική αιτία απευθείας μέσα στο πλαίσιο του προϊόντος.

Το Codex δεν εργάζεται μόνο με μια τελική έξοδο χαμηλής ποιότητας. Εξετάζει μαζί το ίχνος, το eval, το αποθετήριο και τις δεξιότητες:

• Διερεύνηση του αγωγού: Εξετάστε πακέτα πηγής, σχήματα εξαγωγής, συμπεριφορά αντιστοιχιστή και διαδρομές κώδικα για να προσδιορίσετε αν το ζήτημα είναι μη υποστηριζόμενο πεδίο, χαμένο μοτίβο εξαγωγής, πρόβλημα επιλογής πηγής, κενό στον αντιστοιχιστή ή ζήτημα grader.
• Υλοποίηση στοχευμένων διορθώσεων: Επεκτείνετε το σχήμα εξαγωγής, βελτιώστε την επιλογή πηγής για έγγραφα ακινήτων προς ενοικίαση, ενημερώστε τον αντιστοιχιστή της φορολογικής μηχανής ή βελτιώστε τον grader αν ο αναμενόμενος θόρυβος της ροής εργασίας μετριέται ως αστοχία.
• Επικύρωση και πρόταση: Εκτελέστε ξανά το στοχευμένο eval, τρέξτε ευρύτερες σουίτες παλινδρόμησης και εμφανίστε ένα υποψήφιο αίτημα συγχώνευσης κώδικα για μηχανικό έλεγχο.
• Κλείσιμο του βρόχου: Μετατρέψτε μια επαναλαμβανόμενη διόρθωση από επαγγελματία σε μετρήσιμο μηχανικό έργο. Αν τα στοιχεία είναι αμφίσημα ή δεν μπορούν να αυτοματοποιηθούν με ασφάλεια, η περίπτωση επιστρέφει στην ομάδα προϊόντος αντί να εξαναγκαστεί μέσα από τον βρόχο.

Το παράδειγμα του ακινήτου προς ενοικίαση είναι ενδεικτικό ενός ευρύτερου επαναχρησιμοποιήσιμου μοτίβου: της χρήσης τεχνουργημάτων και ιχνών παραγωγής για τη βελτίωση των δυνατοτήτων ενός πράκτορα. Δεδομένων ελεγμένων ευρημάτων από δεδομένα παραγωγής, ιχνών πηγής, αναμενόμενης εξόδου της φορολογικής μηχανής, σχετικών παραδειγμάτων κώδικα και εντολών eval ως σύνολο εισόδων, το Codex μπορεί να βελτιώσει ουσιαστικά την απόδοση και την ακρίβεια μέσα σε εβδομάδες και μήνες. Αυτό βασίζεται στις αρχές που περιγράφονται στη δουλειά μας για το harness engineering και το Symphony, όπου εξηγείται πώς να κάνετε τα έργα κατανοητά στο Codex, να παρέχετε οριοθετημένο πλαίσιο και εργαλεία και να κρατάτε την επικύρωση και τον ανθρώπινο έλεγχο ως μέρος του περιβάλλοντος. 

Αυτά τα στοιχεία δεν γίνονται αυτόματα έργο για το Codex. Μια διόρθωση από επαγγελματία μπορεί να αντανακλά αστοχία εξαγωγής, ζήτημα αντιστοίχισης, μη υποστηριζόμενη συμπεριφορά προϊόντος, φορολογική κρίση ή αναμενόμενο θόρυβο ροής εργασίας. Μόνο αφού οι επαναλαμβανόμενες διαφορές ελεγχθούν και ομαδοποιηθούν σε ένα αξιοποιήσιμο εύρημα, το σύστημα τις μετατρέπει σε ένα οριοθετημένο έργο με σαφή συνθήκη επιτυχίας.

Εφαρμόζουμε αυτόν τον αυτοματισμό σε ένα οριοθετημένο επίπεδο του προϊόντος. Αυτό το επίπεδο εκτελεί εξαγωγή και αντιστοιχίζει έγγραφα πηγής σε φορολογικές ροές εργασίας. Οι μηχανικοί παραμένουν υπεύθυνοι για την αρχιτεκτονική, τις αποφάσεις προϊόντος και την κυκλοφορία. Οι επαγγελματίες κατευθύνουν τον βρόχο βελτίωσης μέσω της δουλειάς που ήδη κάνουν: διορθώνοντας εξαγόμενες τιμές, ελέγχοντας δηλώσεις και εγκρίνοντας τελικές υποβολές.

Για το Codex, το αποτέλεσμα δεν είναι μια αόριστη ειδοποίηση αλλά ένα οριοθετημένο μηχανικό έργο με στοιχεία, επεξεργάσιμες επιφάνειες προϊόντος και ρητές πύλες επικύρωσης. Το πλαίσιο για ένα αντιπροσωπευτικό έργο ακινήτου προς ενοικίαση μπορεί να συνοψιστεί ως εξής:

Ο ίδιος βρόχος εφαρμόζεται πέρα από τα ακίνητα προς ενοικίαση. Τα ακίνητα προς ενοικίαση χρειάστηκαν περίπου έξι εβδομάδες και σημαντική μηχανική επίβλεψη για να φτάσουν σε ακρίβεια και ανάκληση 90%, αλλά αυτή η δουλειά παρήγαγε επαναχρησιμοποιήσιμες αφαιρέσεις, τεχνουργήματα ελέγχου, συμβάσεις eval και μοτίβα υλοποίησης που έκαναν ευκολότερη την υποστήριξη παρόμοια σύνθετων προγραμμάτων όπως το Schedule C και το Schedule A.

Το Tax AI αποδεικνύει μια διαδρομή για την κατασκευή αυτοβελτιούμενων πρακτόρων. Οι επαγγελματίες παράγουν σήματα ανατροφοδότησης υψηλής αξίας παρέχοντας την υπηρεσία. Οι ροές εργασίας του προϊόντος διατηρούν αυτά τα σήματα ως δομημένα στοιχεία. Τα μηχανικά συστήματα που υποστηρίζονται από eval επικυρώνουν τις βελτιώσεις πριν φτάσουν στην παραγωγή και ένας βρόχος που τροφοδοτείται από πράκτορα κρατά το σύστημα σε συνεχή ροή αυτοβελτίωσης. 

Η δομή της Thrive Holdings μάς επιτρέπει να αναπαράγουμε αυτό το περιβάλλον σε συγκεκριμένους κλάδους. Η Holdings είναι και ιδιοκτήτης και εκπρόσωπος, οπότε οι συνδυασμένες μηχανικές ομάδες μας μπορούν να εργάζονται απευθείας με επαγγελματίες και δεδομένα παραγωγής μέσα από επιχειρήσεις όπως η Crete, όχι ως προμηθευτής αλλά ως συνεργάτες. Αυτό σημαίνει ότι η τεχνολογία, το προϊόν και η υπηρεσία βρίσκονται όλα κάτω από την ίδια στέγη για να μας βοηθούν να κινούμαστε γρηγορότερα και να χτίζουμε εξαιρετικά προϊόντα.

Μια ανώτερη λογίστρια που πέρυσι αφιέρωσε 180 ώρες στη φορολογική προετοιμασία, φέτος αφιέρωσε μόνο 15 ώρες. Μέρος αυτού του χρόνου το αφιέρωσε στο να καλέσει κάθε έναν από τους πελάτες της και να τους καθοδηγήσει στις δηλώσεις τους, ένα επίπεδο ιδιαίτερα προσωπικής εξυπηρέτησης που δεν ήταν δυνατό πριν από έναν χρόνο. Τον υπόλοιπο χρόνο τον χρησιμοποίησε για να αναλάβει νέους πελάτες και να επεκταθεί σε νέες προσφορές υπηρεσιών.

Μαζί, οι ομάδες μας χρησιμοποιούν τώρα το ίδιο τριμερές σχέδιο από το Tax AI ως πρότυπο για την κατασκευή ροών εργασίας σε άλλους τομείς σε όλη τη Thrive Holdings⁠(ανοίγει σε νέο παράθυρο)· λογιστικές ροές εργασίας όπως η τήρηση βιβλίων και ο έλεγχος, και λειτουργικές ροές εργασίας όπως η αυτοματοποίηση help desk IT. Σε όλους τους τομείς και τους κλάδους, η ευρύτερη υπόσχεση των αυτοβελτιούμενων πρακτόρων ισχύει. Οι καλύτεροι πράκτορες καθοδηγούνται από ανθρώπους ώστε να μαθαίνουν να γίνονται με τον χρόνο πιο ικανοί, πιο αξιόπιστοι και πιο πολύτιμοι.

Για να μάθετε περισσότερα για την ομάδα της OpenAI που εργάστηκε σε αυτό το έργο, επικοινωνήστε μαζί μας.