Codex સાથે સ્વ-સુધારક ટેક્સ એજન્ટો બનાવવા

પ્રેક્ટિશનરની તજજ્ઞતા અને Codex-સંચાલિત લૂપને જોડીને Thrive Holdings અને OpenAI એ Crete એકાઉન્ટન્ટ્સ માટે Tax AI કેવી રીતે સાથે મળીને વિકસાવ્યું

વાસ્તવિક દુનિયાની સિસ્ટમો પ્રોડક્શન તબક્કામાં લેબ કરતાં અલગ રીતે વર્તે છે અને ડિપ્લોયમેન્ટ પહેલાં અનુમાન કરવું મુશ્કેલ હોય તેવી રીતે તૂટી પડે છે. ટીમો ઘણીવાર લોન્ચ પછી આવી નિષ્ફળતાઓ શોધે છે, પછી ભાગ્યેજ જોવા મળતા કિસ્સાઓ તપાસવામાં, પ્રોમ્પ્ટ્સ સમાયોજિત કરવામાં અને પ્રોડક્શન પ્રતિસાદને ટકાઉ પ્રોડક્ટ સુધારાઓમાં ફેરવવામાં કેટલાય અઠવાડિયા ખર્ચે છે. પ્રતિસાદ લૂપ મેન્યુઅલ અને ધીમી છે અને એન્જિનિયર તેને આગળ ધપાવે ત્યારે જ સુધરે છે. પરંતુ આજે, વિચારપૂર્વક ડિઝાઇન કરેલું મૂલ્યાંકન ઇન્ફ્રાસ્ટ્રક્ચર, પ્રેક્ટિશનરો અને વાસ્તવિક પર્યાવરણો સુધી સીધી પહોંચ અને Codex ની અત્યાધુનિક એજન્ટિક ક્ષમતાઓ દ્વારા, તમે સ્વ-સુધારક એજન્ટો બનાવી શકો છો.

આ પોસ્ટમાં, અમે Codex નો ઉપયોગ કરીને આ પ્રકારનો એજન્ટ કેવી રીતે બનાવ્યો તે સમજાવીશું. ગયા છ મહિનામાં, OpenAI ના ફોરવર્ડ ડિપ્લોઇડ એન્જિનિયરો અને સંશોધકોએ Thrive Holdings ના એન્જિનિયરો સાથે મળીને Crete⁠(નવી વિન્ડોમાં ખૂલે છે) ના 30+ એકાઉન્ટિંગ ફર્મોના નેટવર્ક માટે અને તેમની સાથે મળીને Tax AI બનાવ્યું, જેથી સતત જટિલ થઈ રહેલા ટેક્સ રિટર્ન્સ તૈયાર કરવામાં મદદ મળી શકે. Tax AI દરેક નિષ્ફળતા શોધવા અને સુધારવા માટે એન્જિનિયરો પર નિર્ભર રહેવાને બદલે, Codex નો ઉપયોગ કરીને પ્રોડક્શન ઉપયોગને સંરચિત સંકેતોમાં ફેરવે છે, જે સ્વાયત્ત સુધારાને આગળ ધપાવે છે.

Crete ના પ્રેક્ટિશનરો દર સીઝનમાં કેટલાય હજાર ટેક્સ રિટર્ન્સ તૈયાર કરે છે, જેના માટે લાખો આધારભૂત દસ્તાવેજો પર કામ કરવું પડે છે. મધ્યમથી મોટી જટિલતાવાળા ફાઇલિંગ્સ માટે, ફક્ત ડેટા એન્ટ્રીમાં જ રિટર્ન દીઠ આઠ કલાકનો સમય લાગી શકે છે, જેમાં ગૂંચવાયેલા ડેટા સોર્સ, અગાઉના વર્ષના દસ્તાવેજો અને મેન્યુઅલ એક્સ્ટ્રેક્શન તથા ગણતરી સામેલ હોય છે. તેમણે અમને બતાવ્યું કે ટેક્સ સીઝનના સૌથી વ્યસ્ત સમયગાળા દરમિયાન ટેક્સની તૈયારી એક મહત્વપૂર્ણ અવરોધ છે.

આ સમસ્યા ઉકેલવા માટે, Tax AI એ આ ટેક્સ સીઝનમાં પ્રાયોગિક તબક્કામાં ભાગ લેનારી Crete ફર્મોમાં 7,000 ટેક્સ રિટર્ન્સની પ્રક્રિયા કરી. સિસ્ટમ 1040 અને 1041 ટેક્સ રિટર્ન્સ તૈયાર કરવાની સમય માંગી લેનારી પ્રક્રિયાનો મોટો ભાગ સ્વચાલિત કરે છે, પરંતુ કાર્યક્ષમતામાં વૃદ્ધિ કરતાં પણ વધુ પ્રભાવશાળી વાત એ છે કે સિસ્ટમ પોતે જ ત્રણ મહિના પહેલાં પ્રથમ વખત ડિપ્લોય કરાયેલા સંસ્કરણ કરતાં માપી શકાય તેવી રીતે વધુ સારી છે.

Tax AI માં, પ્રેક્ટિશનરો કોઈપણ ક્લાયન્ટ-વિશિષ્ટ નોંધો સાથે સોર્સ ફાઇલો અપલોડ કરે છે. પછી Tax AI સમીક્ષા માટે તૈયાર ટેક્સ એન્જિન સબમિશન બનાવે છે. તે પ્રેક્ટિશનરોને ટેક્સ તૈયારીમાં લાગતા તેમના સમયનો લગભગ ત્રીજો ભાગ બચાવે છે, 97% સુધીની ચોકસાઈ સાથે રિટર્ન્સના ડ્રાફ્ટ બનાવે છે, અને થ્રૂપુટમાં લગભગ 50% વધારો કરે છે, જેથી તેઓ ક્લાયન્ટ્સ સાથે વધુ સમય વિતાવી શકે. 

પછીથી સુધારાની જરૂર ન પડે તે રીતે Tax AI રિટર્ન કેટલું ચોક્કસ પૂર્ણ કરી શકે છે તે સમજીને અમે આ સુધારાને માપી શકીએ છીએ. કેટલા રિટર્ન્સ 75%, 90% અથવા 100% સાચી ફીલ્ડ પૂર્ણતા સુધી પહોંચે છે તેની તપાસ કરીને અમે ચોકસાઈ માપીએ છીએ. લોન્ચ સમયે, ફક્ત ચોથા ભાગ જેટલા રિટર્ન્સ 75% સાચી ફીલ્ડ પૂર્ણતા પર હતા, પરંતુ છ અઠવાડિયામાં આ સ્તર 86% એ હાંસલ થયું. સિસ્ટમે 90% અને 100% સાચી ફીલ્ડ પૂર્ણતાના સ્તરે પહોંચવામાં તો તેનાથી પણ વધુ ઝડપી વૃદ્ધિ દર્શાવી. આ થ્રેશોલ્ડ્સ અમને વ્યવહારુ દૃષ્ટિ આપે છે કે વિવિધ રિટર્ન્સ માટે હજુ કેટલા પ્રેક્ટિશનર ફૉલો-અપની જરૂર છે. 

શરૂઆતમાં, Tax AI એ W-2s અને 1099s જેવા સરળ કામ સંભાળ્યા. સીઝન આગળ વધતા, તે K-1s, પરિશિષ્ટો અને વધુ કઠિન ભાગ્યેજ જોવા મળતા કેસો ધરાવતા વધુ જટિલ રિટર્ન્સ તરફ આગળ વધ્યું. દરેક નવી ક્ષમતાએ અગાઉની સરખામણીએ રિટર્ન દીઠ વધુ સમય બચાવ્યો, કારણ કે તે જે કાર્યો સંભાળતું હતું તે મેન્યુઅલ રીતે કરવા વધુ કઠિન અને વધુ સમય માંગી લે તેવા હતા. આજે પણ અમે સતત પ્રગતિ જોવા મળી રહી છે.

આગળ, અમે સમજાવીશું કે અમારી ટીમોએ ત્રણ મહત્વપૂર્ણ આધારસ્તંભો પર આધાર રાખીને Tax AI ને સ્વ-સુધારક બનાવવા માટે કેવી રીતે તેનું સહ-એન્જિનિયરિંગ કર્યું: 1) નિષ્ણાત પ્રેક્ટિશનર પ્રતિસાદ, 2) પ્રોડક્શન ટ્રેસિસ (ઇનપુટથી અંતિમ આઉટપુટ સુધીનો સંરચિત ઇતિહાસ) અને 3) સતત અને ઝડપી પ્રોડક્ટ વિકાસ માટે કસ્ટમ મૂલ્યાંકનો પર આધારિત Codex-સંચાલિત પુનરાવૃત્તિ લૂપ. અમને આશા છે કે અમારો અનુભવ એવા અન્ય નિર્માતાઓ માટે ઉપયોગી થશે જ્યાં સમગ્ર સિસ્ટમની ગુણવત્તા અને તેમાં ચાલતા ડેટાને આકાર આપવા માટે પ્રેક્ટિશનર તજજ્ઞતા મહત્વપૂર્ણ હોય.

જેમ જેમ અમે ટેક્સ તૈયારીના વધુ કઠિન ભાગોમાં આગળ વધ્યા (K-1s, રેન્ટલ રિયલ એસ્ટેટ પરિશિષ્ટો અને એવા ટેક્સ ફોર્મ્સ જ્યાં મૂલ્યોને અનેક સોર્સ ફાઇલોમાં મેળવણી કરવાના હતા), તેમ સ્પષ્ટ થયું કે વાસ્તવિક પડકાર એ હતો કે પ્રોડક્ટ જટિલ પ્રોડક્શન નિષ્ફળતાઓને દેખાય તેવી, સમજાય તેવી અને કાર્યક્ષમ બનાવી શકે કે નહીં.

પ્રોડક્ટના શરૂઆતના દિવસોમાં, મોટાભાગની સુધારણા મેન્યુઅલ કરવામાં આવતી હતી. પ્રેક્ટિશનરો સિસ્ટમની ભૂલો સુધારી શકતા હતા, પરંતુ પ્રોડક્ટ સંપૂર્ણ સંદર્ભ કૅપ્ચર કરતી નહોતી: ફાઇલિંગ પહેલાં બદલાયેલ મૂલ્ય સાચી એક્સ્ટ્રેક્શન ભૂલ, મેપિંગ સમસ્યા, ખૂટતા પ્રોડક્ટ સપોર્ટ અથવા અપેક્ષિત વર્કફ્લો ગરબડ દર્શાવી શકે. આવા કેસોને અલગ પાડવા માટે હજુ પણ એન્જિનિયરિંગ ટીમના અનુસરણની જરૂર પડતી હતી. એન્જિનિયરો કોડિંગ એજન્ટોનો ઉપયોગ કરી શકતા હતા, પરંતુ સિસ્ટમ હજુ સુધી સુધારાની લૂપની અંદર AI નો અર્થપૂર્ણ ઉપયોગ કરવા માટે ડિઝાઇન કરાઈ નહોતી. અમારી પાસે પડકાર ઓળખવાનો સંકેત નહોતો.

તેના કારણે અમે સિસ્ટમને ત્રણ આધારસ્તંભોને કેન્દ્રમાં રાખીને ડિઝાઇન કરી:

1. પ્રેક્ટિશનરોની નજીક રહો: જે લોકો કામ કરે છે તેઓએ જ પ્રોડક્ટ શું શીખે છે તે દિશા આપવી જોઈએ. તેમની અંતર્દૃષ્ટિ અને સમજ બતાવે છે કે કઈ ભૂલો મહત્વની છે અને વર્કફ્લોના કયા ભાગો પર આગળ ધ્યાન આપવું યોગ્ય છે તે નક્કી કરવામાં મદદ કરે છે.
2. પ્રોડક્ટ એવી બનાવો કે પ્રોડક્શન પુરાવો બનાવે: પ્રોડક્ટે ફક્ત ઇનપુટ અને આઉટપુટ જ નહીં, પરંતુ સોર્સ સામગ્રીથી લઈને એક્સ્ટ્રેક્ટ કરેલા ફીલ્ડ્સ અને ઉદ્ગમસ્થાન, પછી ડાઉનસ્ટ્રીમ સબમિશન અને નિષ્ણાત સુધારા સુધીનો સંપૂર્ણ માર્ગ કૅપ્ચર કરવાનો હોય છે.
3. Codex-સંચાલિત સુધારાની લૂપ બનાવો: એકવાર પ્રોડક્શન સંબંધિત મુદ્દાઓ દેખાય અને સંરચિત થઈ જાય, પછી તે નિષ્કર્ષો, જરૂરિયાત મુજબના મૂલ્યાંકનો અને મર્યાદિત એન્જિનિયરિંગ કાર્યોમાં ફેરવી શકાય છે. પછી Codex તપાસમાં મદદ કરી શકે છે, ફેરફારો પ્રસ્તાવિત કરી શકે છે, તેમને લક્ષિત અને રીગ્રેશન મૂલ્યાંકનો સામે માન્ય કરી શકે છે અને સંપૂર્ણ મેન્યુઅલ પુનરાવર્તન ચક્ર કરતાં પ્રોડક્ટને વધુ ઝડપથી આગળ ધપાવી શકે છે. 

નીચેનું રેન્ટલ પ્રોપર્ટી ઉદાહરણ બતાવે છે કે આ લૂપ વ્યવહારમાં કેવી રીતે કામ કરે છે, જેમાં તમને બતાવ્યું છે કે પ્રેક્ટિશનરનો સુધારો કેવી રીતે સંરચિત નિષ્કર્ષ બને છે, પછી મૂલ્યાંકન લક્ષ્ય બને છે અને અંતે Codex-સ્કોપમાં આવતું એન્જિનિયરિંગ કાર્ય બને છે.

રેન્ટલ પ્રોપર્ટીની આવક વ્યક્તિગત ટેક્સ રિટર્નના પરિશિષ્ટ E પર દર્શાવવામાં આવે છે. એન્જિનિયરિંગ દૃષ્ટિકોણથી, તેને એક્સ્ટ્રેક્ટ કરવાનું કાર્ય વર્ણવવામાં સરળ છે પરંતુ સારી રીતે કરવું મુશ્કેલ છે. સિસ્ટમે ગૂંચવાયેલ સોર્સ સામગ્રી (હસ્તલિખિત નોંધો, ઇમેઇલ્સ, સ્પ્રેડશીટ્સ અને ક્લાયન્ટની અન્ય ફાઇલો) વાંચવી પડે છે, સિસ્ટમ વિશ્વાસપૂર્વક ટેક્સ એન્જિનમાં મેપ કરી શકે એવા રેન્ટલ-પ્રોપર્ટી ફીલ્ડ્સ એક્સ્ટ્રેક્ટ કરવા પડે છે અને એટલો પુરાવો જાળવવો પડે છે કે પ્રેક્ટિશનર પરિણામને મંજૂર કરી શકે અથવા સુધારી શકે. નીચેનું સરળ બનાવેલું ઉદાહરણ બતાવે છે કે આવી સોર્સ ફાઇલો અને એક્સ્ટ્રેક્ટ કરેલા આઉટપુટ્સ કેવી રીતે દેખાઈ શકે.

એજન્ટ દ્વારા અનુમાનિત મૂલ્ય અને ફાઇલ કરાયેલા ટેક્સ રિટર્નના વાસ્તવિક મૂલ્ય વચ્ચેનો ફરક સાચી એક્સ્ટ્રેક્શન ભૂલ દર્શાવી શકે છે, પરંતુ તે પ્રેક્ટિશનરની પસંદગી, ટેક્સ એન્જિનમાં અગાઉના વર્ષના રિટર્નમાંથી આગળ લાવવામાં આવેલ મૂલ્ય અથવા ફાઇલિંગ વર્કફ્લોમાં અન્યત્ર ઉમેરાયેલ કે બદલાયેલ મૂલ્ય પણ હોઈ શકે છે. પ્રેક્ટિશનરોએ અમને આવા કેસો ઓળખવામાં મદદ કરી જેથી અમે જાણી શકીએ કે કઈ ક્રિયાઓ માટે પ્રેક્ટિશનરની સુધારાની જરૂર હતી અથવા કઈ ક્રિયાઓથી સબમિશન અટક્યું હતું.

અમે આ સુધારાઓને વિગતે જોઈ શકતા હતા તેથી અમે સમીક્ષા પ્રક્રિયાને અંતિમ, નિષ્ફળતા પછીના પગથિયાથી સતત શીખવાના ચક્રમાં ફેરવી. અમે વર્કફ્લોને એવી રીતે ડિઝાઇન કર્યો કે નિષ્ણાતોની ક્રિયાઓને સંરચિત ડેટા તરીકે કૅપ્ચર કરી શકાય. હવે, દરેક હસ્તક્ષેપ પ્રોડક્ટના સુધારાના લૂપને પોષે છે, કારણ કે તેમાં Tax AI એ શું પ્રસ્તાવિત કર્યું, પ્રેક્ટિશનરે શું બદલ્યું અને અંતે ફાઇલ કરાયેલા રિટર્નમાં શું ગયું તે ચોક્કસ રીતે નોંધાય છે.

રેન્ટલ પ્રોપર્ટી જેવા જટિલ વર્કફ્લો માટે, સિસ્ટમને સોર્સ ફાઇલો અને ફાઇલ કરાયેલા રિટર્ન વચ્ચે શું થાય છે તે જાળવવું પડે છે. આ માર્ગમાં દસ્તાવેજો ગોઠવાય છે, વહેંચાય છે અને વર્ગીકૃત થાય છે; રેન્ટલ-પ્રોપર્ટી ફીલ્ડ્સ સોર્સ સામગ્રીના ઉલ્લેખો સાથે એક્સ્ટ્રેક્ટ થાય છે; તે મૂલ્યો ટેક્સ એન્જિનમાં મેપ થાય છે; અને ફાઇલિંગ પહેલાં પ્રેક્ટિશનરો હજુ પણ તેમાં સુધારો કરી શકે છે. આવા પ્રોડક્ટ-સ્તરના ટ્રેસિસથી નિષ્ફળતા ક્યાં થઈ તે તપાસવું શક્ય બને છે. પ્રેક્ટિશનરના સુધારાઓને ઉપયોગી મૂલ્યાંકન લક્ષ્યોમાં ફેરવવા માટે, સિસ્ટમ તેની ત્રણ પગલાંમાં પ્રક્રિયા કરે છે:

• ફરક કૅપ્ચર કરો: Tax AI ના આઉટપુટની તુલના ફાઇલ કરાયેલા રિટર્ન સાથે કરીને ફીલ્ડ-સ્તરની સમીક્ષા પંક્તિઓ બનાવવામાં આવે છે, જે અપેક્ષિત મૂલ્ય, અનુમાનિત મૂલ્ય અને ફરક કાર્યક્ષમ લાગે છે કે નહીં તે કૅપ્ચર કરે છે.
• સંબંધિત નિષ્ફળતાઓને જૂથબદ્ધ કરો: સમાન સમીક્ષા પંક્તિઓને જૂથબદ્ધ કરીને વારંવાર થતી પ્રોડક્ટ નિષ્ફળતાઓને અપેક્ષિત વર્કફ્લો ગરબડથી અલગ કરવામાં આવે છે. ઉદાહરણ તરીકે, વારંવાર થતા પ્રેક્ટિશનરના સુધારાઓ બતાવી શકે છે કે Tax AI ઘણીવાર વાજબી-રેન્ટલ-દિવસ ફીલ્ડ્સ ચૂકી જાય છે, “અન્ય ખર્ચાઓે”ને ખોટી રીતે સંભાળે છે અથવા એ જ સોર્સ પેકેજમાં અનેક રેન્ટલ પ્રોપર્ટીઓને ગૂંચવી દે છે.
• વારંવાર દેખાતી પેટર્ન્સને મૂલ્યાંકન લક્ષ્યોમાં ફેરવો: સમીક્ષા અને માપન થઈ ગયા પછી, વારંવાર મળતા નિષ્કર્ષો Codex માટે સુધારવા યોગ્ય સ્પષ્ટ મૂલ્યાંકન લક્ષ્યો બને છે.

ત્રીજો આધારસ્તંભ એ છે કે આ નવા મૂલ્યાંકનો પર કાર્ય કરી શકે એવી એન્જિનિયરિંગ લૂપ બનાવવી. અહીં Codex કેન્દ્રસ્થાને આવે છે.

માનો કે અમારી મૂલ્યાંકન પાઇપલાઇન સૂચવે છે કે જ્યારે પ્રેક્ટિશનરો “વાજબી રેન્ટલ દિવસો” ફીલ્ડ વિશ્વસનીય રીતે ભરી દે છે ત્યારે Tax AI સતત તેને ફીલ્ડ ચૂકી જાય છે. આ નિષ્કર્ષ પહેલેથી જ લક્ષિત મૂલ્યાંકન સેટમાં, પ્રતિનિધિ સોર્સ પેકેજો અને અપેક્ષિત આઉટપુટ સાથે પેક કરવામાં આવ્યું હોવાથી Codex પ્રોડક્ટ માળખાની અંદર સીધું મૂળ કારણ તપાસી શકે છે.

Codex માત્ર નબળા અંતિમ આઉટપુટ સાથે જ કામ કરતું નથી. તે સાથે-સાથે ટ્રેસ, મૂલ્યાંકનો, રેપો અને સ્કિલને તપાસે છે:

• પાઇપલાઇનની તપાસ કરો: સોર્સ પેકેજો, એક્સ્ટ્રેક્શન સ્કીમા, મેપર વર્તન અને કોડ પાથ્સ તપાસો જેથી નક્કી કરી શકાય કે મુદ્દો બિન-સપોર્ટેડ ફીલ્ડ, ચૂકી ગયેલી એક્સ્ટ્રેક્શન પેટર્ન, સોર્સ-પસંદગીની સમસ્યા, મેપર ગેપ કે ગ્રેડર સમસ્યા છે.
• લક્ષિત સુધારાઓ અમલમાં મૂકો: એક્સ્ટ્રેક્શન સ્કીમા વિસ્તૃત કરો, રેન્ટલ-પ્રોપર્ટી દસ્તાવેજો માટે સોર્સ પસંદગી સુધારો, ટેક્સ-એન્જિન મેપર અપડેટ કરો અથવા જો અપેક્ષિત વર્કફ્લો ગરબડોને નિષ્ફળતા ગણવામાં આવતી હોય તો ગ્રેડરને વધુ ચોક્કસ બનાવો.
• માન્ય કરો અને પ્રસ્તાવ મૂકો: લક્ષિત મૂલ્યાંકન ફરી ચલાવો, વધુ વ્યાપક રીગ્રેશન સ્યૂટ ચલાવો અને એન્જિનિયરિંગ સમીક્ષા માટે સંભવિત pull request રજૂ કરો.
• લૂપ પૂર્ણ કરો: વારંવાર થતા પ્રેક્ટિશનરના સુધારાને માપી શકાય એવા એન્જિનિયરિંગ કાર્યમાં ફેરવો. જો પુરાવો અસ્પષ્ટ હોય અથવા સુરક્ષિત રીતે સ્વચાલિત ન કરી શકાય તેવો હોય, તો કેસને જબરદસ્તી લૂપમાં ધકેલવાના બદલે ફરી પ્રોડક્ટ ટીમ પાસે મોકલવામાં આવે છે.

રેન્ટલ પ્રોપર્ટીનું ઉદાહરણ વધુ વ્યાપક પુનઃઉપયોગી પેટર્નનું પ્રતીક છે: પ્રોડક્શન આર્ટિફેક્ટ્સ અને ટ્રેસિસનો ઉપયોગ કરીને એજન્ટની ક્ષમતાઓ સુધારવી. પ્રોડક્શન ડેટામાંથી સમીક્ષિત નિષ્કર્ષો, સોર્સ ટ્રેસિસ, અપેક્ષિત ટેક્સ-એન્જિન આઉટપુટ, સંબંધિત કોડ ઉદાહરણો અને મૂલ્યાંકન કમાન્ડ્સને ઇનપુટના સમૂહ તરીકે આપીએ તો Codex અઠવાડિયા અને મહિનાઓ દરમિયાન પ્રદર્શન અને ચોકસાઈમાં નોંધપાત્ર સુધારો કરી શકે છે. આ અમારા હાર્નેસ એન્જિનિયરિંગ અને સિમ્ફની પરના કાર્યમાં વર્ણવાયેલા સિદ્ધાંતો પર આધારિત છે, જેમાં Codex માટે કાર્યોને સ્પષ્ટ કેવી રીતે બનાવવા, મર્યાદિત સંદર્ભ અને ટૂલ્સ કેવી રીતે આપવા અને માન્યતા તથા માનવીય સમીક્ષાને પર્યાવરણનો ભાગ કેવી રીતે રાખવો તે સમજાવવામાં આવ્યું છે. 

તે પુરાવો આપમેળે Codex કાર્ય બની જતો નથી. પ્રેક્ટિશનરનો સુધારો એક્સ્ટ્રેક્શન ભૂલ, મેપિંગ સમસ્યા, બિન-સપોર્ટેડ પ્રોડક્ટ વર્તન, ટેક્સ નિર્ણય અથવા અપેક્ષિત વર્કફ્લો ગરબડ દર્શાવી શકે છે. જ્યારે વારંવાર દેખાતા ફરકોની સમીક્ષા થઈ જાય અને તેને કાર્ય કરવા યોગ્ય નિષ્કર્ષમાં જૂથબદ્ધ કરવામાં આવે, ત્યારે જ સિસ્ટમ તેને સ્પષ્ટ સફળતા શરત ધરાવતા સીમિત કાર્યમાં ફેરવે છે.

અમે આ ઑટોમેશનને પ્રોડક્ટના સીમિત સ્તર પર લાગુ કરીએ છીએ. આ સ્તર એક્સ્ટ્રેક્શન કરે છે અને સોર્સ દસ્તાવેજોને ટેક્સ વર્કફ્લોમાં મેપ કરે છે. એન્જિનિયરો આર્કિટેક્ચર, પ્રોડક્ટ નિર્ણયો અને શિપિંગ માટે જવાબદાર રહે છે. પ્રેક્ટિશનરો તેઓ પહેલેથી જ કરતા કામ દ્વારા સુધારાની લૂપને દિશા આપે છે: એક્સ્ટ્રેક્ટ કરેલા મૂલ્યો સુધારવા, રિટર્ન્સની સમીક્ષા કરવી અને અંતિમ ફાઇલિંગ્સ મંજૂર કરવી.

Codex માટે, પરિણામ એટલે અસ્પષ્ટ એલર્ટ નહીં પરંતુ પુરાવા, સંપાદિત કરી શકાય તેવી પ્રોડક્ટ સપાટીઓ અને સ્પષ્ટ માન્યતા ગેટ્સ ધરાવતું મર્યાદિત એન્જિનિયરિંગ કાર્ય છે. પ્રતિનિધિ રેન્ટલ પ્રોપર્ટી કાર્ય માટેના સંદર્ભનો સારાંશ નીચે મુજબ આપી શકાય:

એ જ લૂપ રેન્ટલ પ્રોપર્ટીથી આગળ પણ લાગુ પડે છે. રેન્ટલ પ્રોપર્ટીઓને 90% ચોકસાઈ અને રીકૉલ સુધી પહોંચાડવામાં લગભગ છ અઠવાડિયાનો સમય અને નોંધપાત્ર એન્જિનિયરિંગ દેખરેખ લાગી, પરંતુ આ કાર્યથી પુનઃઉપયોગમાં લઈ શકાય તેવા તારણો, સમીક્ષા આર્ટિફેક્ટ, મૂલ્યાંકનના નિયમો અને અમલીકરણની પેટર્ન્સ મળ્યા, જેના કારણે પરિશિષ્ટ C અને પરિશિષ્ટ A જેવા સમાન રીતે જટિલ પરિશિષ્ટોને સપોર્ટ કરવાનું સરળ બન્યું.

Tax AI સ્વ-સુધારક એજન્ટો બનાવવાનો માર્ગ દર્શાવે છે. પ્રેક્ટિશનરો સેવા આપીને ઉચ્ચ મૂલ્યનાં પ્રતિસાદ સંકેતો તૈયાર કરે છે. પ્રોડક્ટ વર્કફ્લોઝ આ સંકેતોને સંરચિત પુરાવા તરીકે જાળવે છે. મૂલ્યાંકન આધારિત એન્જિનિયરિંગ સિસ્ટમો સુધારાઓ પ્રોડક્શન સુધી પહોંચે તે પહેલાં માન્ય કરે છે અને એજન્ટ-સંચાલિત લૂપ સિસ્ટમને સતત સ્વ-સુધારાના પ્રવાહમાં રાખે છે. 

Thrive Holdings ની રચના અમને આ પર્યાવરણને ચોક્કસ ઉદ્યોગોમાં પુનરાવર્તિત કરવાની મંજૂરી આપે છે. Holdings માલિક પણ છે અને Operator પણ, તેથી અમારી સંયુક્ત એન્જિનિયરિંગ ટીમો Crete જેવી કંપનીઓની અંદર પ્રેક્ટિશનરો અને પ્રોડક્શન ડેટા સાથે, વેચનાર તરીકે નહીં પરંતુ ભાગીદાર તરીકે, સીધું કામ કરી શકે છે. આનો અર્થ એ છે કે ટેક્નોલોજી, પ્રોડક્ટ અને સેવા બધું એક જ છત નીચે છે જેથી અમે વધુ ઝડપથી આગળ વધી શકીએ અને અસાધારણ પ્રોડક્ટ્સ બનાવી શકીએ.

એક વરિષ્ઠ એકાઉન્ટન્ટે ગયા વર્ષે ટેક્સ તૈયારીમાં 180 કલાક ખર્ચ્યા હતા, જ્યારે આ વર્ષે તેણે માત્ર 15 કલાક ખર્ચ્યા. તેણીએ આ સમયનો એક ભાગ પોતાના દરેક ક્લાયન્ટને ફોન કરીને અને તેમની રિટર્ન્સ સમજાવીને ખર્ચ્યો, આવું ઊંચા-સ્પર્શનું સેવા સ્તર જાળવવું એક વર્ષ પહેલાં શક્ય નહોતું. બાકીનો સમય તેણે નવા ક્લાયન્ટ્સ લેવા અને નવી સેવા ઓફરિંગ્સમાં વિસ્તરણ કરવા માટે વાપર્યો.

સાથે મળીને, અમારી ટીમો હવે Tax AI ની એ જ ત્રણ-ભાગીય ડિઝાઇનનો ઉપયોગ Thrive Holdings⁠(નવી વિન્ડોમાં ખૂલે છે)માં અન્ય ક્ષેત્રોના વર્કફ્લોઝ બનાવવા માટે બ્લૂપ્રિન્ટ તરીકે કરી રહી છે; જેમ કે ખાતાવહી જાળવવી અને ઓડિટ જેવા એકાઉન્ટિંગ વર્કફ્લોઝ અને IT હેલ્પ ડેસ્ક ઑટોમેશન જેવા ઓપરેશનલ વર્કફ્લોઝ. તમામ ક્ષેત્રો અને ઉદ્યોગો વચ્ચે, સ્વ-સુધારક એજન્ટોનું વ્યાપક વચન યથાવત છે. શ્રેષ્ઠ એજન્ટોને લોકો દિશા આપે છે જેથી તેઓ સમય સાથે વધુ સક્ષમ, વધુ વિશ્વસનીય અને વધુ મૂલ્યવાન બનતા શીખે.

આ પ્રોજેક્ટ પર કામ કરનાર OpenAI ટીમ વિશે વધુ જાણવા માટે, સંપર્કમાં રહો.