Fyxer چگونه دستیار اجرایی هوش مصنوعی قابل‌اعتماد ساخت

برای بسیاری از افراد حرفه‌ای، کار یعنی پیگیری گفت‌وگوها و تعهدات در صندوق‌های ورودی، جلسات، پیام‌ها و برنامه‌های مختلف. بدون زمینه‌ای کاملاً قابل‌اتکا، ممکن است این تعهدات نادیده بمانند و به پروژه‌ها و روابط آسیب بزنند.

Fyxer دستیاری اجرایی مبتنی بر هوش مصنوعی ساخته است که با جابه‌جایی کار میان ابزارها، رشته آن را دنبال می‌کند. این دستیار جدیدترین مدل‌های OpenAI را با بیش از ۵۰۰ هزار ساعت گردش کار دستیاران اجرایی ترکیب می‌کند و کار را میان ده‌ها مدل تخصصی تقسیم می‌کند که با بازخورد واقعی کاربران بهبود می‌یابند.

ایمیل یکی از روشن‌ترین نمونه‌ها برای مشاهده عملکرد این سیستم است. ممکن است دو نفر ایمیل یکسانی دریافت کنند، اما بسته به نوع رابطه، اتفاقات گذشته و هدف هر فرد، به پاسخ‌هایی کاملاً متفاوت نیاز داشته باشند. همین موضوع، کاری به‌ظاهر ساده را برای هوش مصنوعی به‌شکلی غیرمنتظره دشوار می‌کند.

آرچی هالینگزورث، هم‌بنیان‌گذار Fyxer، توضیح می‌دهد: «مفهومی به نام پارادوکس موراوک وجود دارد. کارهایی که برای انسان آسان‌اند، برای رایانه دشوارند و کارهایی که برای رایانه آسان‌اند، برای انسان دشوارند.» Fyxer با یادگیری شیوه کار هر کاربر، این پیچیدگی را مدیریت می‌کند تا مانند دستیاری پاسخ دهد که از قبل می‌داند چه چیزهایی اهمیت دارند.

مدل‌های پیشروی OpenAI بخش‌های کلیدی این تجربه را پشتیبانی می‌کنند؛ از درک ایمیل و یافتن زمینه مناسب گرفته تا تولید پیش‌نویس. Fyxer به این دلیل OpenAI را انتخاب کرد که مدل‌هایش در معیارسنجی‌های داخلی Fyxer بهترین عملکرد را داشتند، برای وظایف ذهنی مانند لحن و منظور قابلیت‌های قدرتمند تنظیم دقیق ارائه می‌کردند و از طریق جلسات طراحی روی وایت‌برد و همکاری فنی، پشتیبانی مهندسی عملی فراهم می‌کردند.

رویکرد Fyxer سه درس برای بنیان‌گذارانی دارد که محصولات هوش مصنوعی با درک عمیق از زمینه می‌سازند:

Fyxer سیستم خود را بر پایه ۳۰ تا ۵۰ مدل تخصصی ساخته است که هرکدام مسئول بخش محدودی از گردش کار ایمیل هستند. Fyxer به‌جای آنکه ایمیل را یک وظیفه واحد تولید متن بداند، مسئله را به مجموعه‌ای از پیش‌بینی‌ها تقسیم می‌کند؛ مانند تشخیص نیاز پیام به پاسخ یا نوشتن پاسخی متناسب با لحن و زمینه کاربر.

هالینگزورث توضیح می‌دهد: «تقسیم مسئله میان چندین مدل کوچک‌تر، بسیار بهتر از این است که از یک مدل بخواهیم ایمیل خوبی بنویسد.»

وقتی ایمیل جدیدی می‌رسد، مدل تصمیم‌گیری درباره پاسخ، پیام را دسته‌بندی می‌کند: آیا باید به آن پاسخ داد، اقدامی برای زمان‌بندی انجام داد یا صرفاً اطلاعاتی است که کاربر باید ببیند؟

اگر پاسخ لازم باشد، مدل‌های دیگری منظور ایمیل را تحلیل و نتیجه احتمالی تعامل را پیش‌بینی می‌کنند. این مدل‌ها الگوهایی را تشخیص می‌دهند؛ مثلاً اینکه گفت‌وگو به‌سمت زمان‌بندی جلسه، رسیدگی به یک درخواست یا ادامه روند یک رابطه طولانی‌تر پیش می‌رود.

حافظه یکی از مهم‌ترین بخش‌های سیستم است. Fyxer باید تشخیص دهد کدام جزئیات باید در گفت‌وگوهای بعدی باقی بمانند و کدام‌یک پس از یک تعامل حذف شوند. وقتی ایمیل جدیدی می‌رسد، مدل‌های بازیابی آن را با تعاملات ذخیره‌شده مقایسه می‌کنند و مرتبط‌ترین اطلاعات به‌یادسپرده‌شده برای آن شخص و رشته گفت‌وگو را نمایش می‌دهند.

مدل‌های OpenAI مراحل مختلف سیستم Fyxer را به پیش می‌برند. شانتسیلا می‌گوید: «از مدل‌های OpenAI برای همه‌چیز استفاده می‌کنیم؛ از پردازش ایمیل برای درک موضوع واقعی آن گرفته تا بازیابی و رتبه‌بندی مجدد زمینه‌ای که می‌خواهیم بگنجانیم و در نهایت تولید خود ایمیل.»

Fyxer پیش از عرضه محصول هوش مصنوعی خود، سال‌ها خدمات دستیار اجرایی با نیروی انسانی ارائه می‌کرد. این تیم به‌مرور مجموعه‌داده‌ای بر پایه بیش از ۵۰۰ هزار ساعت گردش کار اجرایی حاشیه‌نویسی‌شده گردآوری کرد که نشان می‌داد دستیاران واقعی چگونه ارتباطات حرفه‌ای را مدیریت می‌کنند.

این نمونه‌ها داده‌های آموزشی برگرفته از خودِ کار را در اختیار Fyxer گذاشتند. این داده‌ها تصمیم‌های ظریف پشت یک پاسخ خوب را ثبت می‌کردند: چه زمانی باید سریع پاسخ داد، چه زمانی باید صبر کرد، کدام گفت‌وگوی قبلی اهمیت دارد و چرا یک درخواست مشابه ممکن است برای افراد مختلف به پاسخ‌های متفاوتی نیاز داشته باشد.

Fyxer در سراسر سیستم خود از بهبود تحت نظارت و سازگارسازی کم‌رتبه (LoRA) استفاده می‌کند تا ضمن کنترل هزینه آموزش، گونه‌هایی از مدل را برای وظایف مشخص ایجاد کند. در مراحل ابتدایی توسعه محصول، تیم برای وظایفی که به دقت بالایی نیاز داشتند از پلتفرم تنظیم دقیق OpenAI استفاده می‌کرد. اخیراً نیز Fyxer با تیم خدمات تنظیم دقیق OpenAI همکاری کرد تا یک چک‌پوینت جدید را وارد محیط عملیاتی کند.

Fyxer پیش از استقرار هر مدل، آن را با مجموعه‌های اعتبارسنجی مختص وظایف ایمیلی خود، از جمله پیش‌نویس‌نویسی، دسته‌بندی و اولویت‌بندی، ارزیابی می‌کند. تیم در کنار دقت، زمان پاسخ‌گویی و هزینه را نیز می‌سنجد، زیرا بهترین انتخاب می‌تواند با توجه به هر وظیفه متفاوت باشد.

سیستم Fyxer پس از استقرار نیز با بازخورد واقعی کاربران به بهبود ادامه می‌دهد. وقتی کسی پیش از ارسال، پیش‌نویسی را ویرایش می‌کند، تفاوت میان ایمیل اولیه و نهایی نشان می‌دهد کدام خروجی را ترجیح داده است.

Fyxer با استفاده از بهینه‌سازی مستقیم ترجیحات (DPO)، این مقایسه‌ها را به داده آموزشی تبدیل می‌کند. به‌جای برچسب‌گذاری دستی هر نمونه، مدل از جفت خروجی‌ها یاد می‌گیرد: پیش‌نویس اولیه و نسخه ویرایش‌شده کاربر.

سپس هر تغییری در فرایند پیش‌نویس‌نویسی تحت آزمون A/B قرار می‌گیرد. Fyxer نسخه جدید را تنها زمانی عرضه می‌کند که بهبودی معنادار از نظر آماری ایجاد کند. تعداد بالای کاربران گاهی به تیم امکان می‌دهد تنها ظرف یک روز به این آستانه برسد.

امروز ۵۳٪ از پیش‌نویس‌های تولیدشده با هوش مصنوعی Fyxer بدون هیچ تغییری پذیرفته می‌شوند. یعنی سیستم در بخش بزرگی از گفت‌وگوهای واقعی، منظور و لحن را به‌درستی پیش‌بینی می‌کند. Fyxer تنها در سال ۲۰۲۵، درآمد تکرارشونده سالانه خود را از یک میلیون دلار به ۳۲ میلیون دلار رساند.

از دید هالینگزورث، حفظ کاربران نشانه مهم‌تری است. بسیاری از مشتریان Fyxer تخصص فنی عمیقی ندارند و برای برخی از آن‌ها، Fyxer نخستین سیستم هوش مصنوعی است که هر روز از آن استفاده می‌کنند.

Fyxer در مسیر آینده، درک عمیق‌تری از روابط، ترجیحات و روندهای جاری کار ایجاد می‌کند. دستیار این شرکت از نوشتن پیش‌نویس پاسخ‌ها فراتر می‌رود و به دستیاری جامع‌تر مبتنی بر هوش مصنوعی تبدیل می‌شود که می‌تواند بخش بیشتری از کارهای ارتباطی و هماهنگی کاربر را مدیریت کند.

هالینگزورث می‌گوید: «چشم‌انداز ما این است که مشتریانمان تا جای ممکن وقت خود را صرف کارهایی کنند که واقعاً دوست دارند. می‌خواهیم به نقطه‌ای برسند که دیگر هرگز مجبور نباشند رایانه‌شان را باز کنند و بتوانند مدیریت همه این کارها را با خیال راحت به Fyxer بسپارند.»