Fyxerએ વિશ્વસનીય AI કાર્યકારી સહાયક કેવી રીતે બનાવ્યો

ઘણા વ્યાવસાયિકો માટે કામ એટલે ઇનબૉક્સ, મીટિંગ, સંદેશા અને ઍપમાં ચાલતી વાતચીત અને આપેલી પ્રતિબદ્ધતાઓ પર નજર રાખવી. સંદર્ભની નક્કર સમજ વિના એ પ્રતિબદ્ધતાઓ ચૂકાઈ જવાની શક્યતા છે, જેનાથી પ્રોજેક્ટ અને સંબંધોને નુકસાન થાય છે.

Fyxerએ એવો AI કાર્યકારી સહાયક બનાવ્યો છે, જે કામ વિવિધ સાધનો વચ્ચે આગળ વધે ત્યારે તેની કડી જાળવી રાખે છે. તે OpenAIના નવીનતમ મોડલને કાર્યકારી સહાયકના 500,000થી વધુ કલાકના કાર્યપ્રવાહો સાથે જોડે છે અને કામને ડઝનેક વિશિષ્ટ મોડલ વચ્ચે વહેંચે છે, જે વાસ્તવિક વપરાશકર્તાઓના પ્રતિસાદથી સુધરે છે.

ઈમેઇલમાં તેનું કાર્ય સૌથી સ્પષ્ટ રીતે જોઈ શકાય છે. બે વ્યક્તિને એક જ ઈમેઇલ મળી શકે, પરંતુ તેમના સંબંધ, અગાઉ બનેલી ઘટનાઓ અને દરેક વ્યક્તિના હેતુના આધારે બંનેને સાવ અલગ જવાબોની જરૂર પડી શકે છે. આ કારણે દેખીતી રીતે સરળ લાગતું કાર્ય AI માટે ધાર્યા કરતાં ઘણું મુશ્કેલ બને છે.

Fyxerના સહ-સ્થાપક આર્ચી હોલિંગ્સવર્થ સમજાવે છે, “મોરાવેકનો વિરોધાભાસ નામની એક વિભાવના છે. માણસોને સરળ લાગતાં કામ કમ્પ્યુટર માટે મુશ્કેલ હોય છે અને કમ્પ્યુટરને સરળ લાગતાં કામ માણસો માટે મુશ્કેલ હોય છે.” દરેક વપરાશકર્તા કેવી રીતે કામ કરે છે તે શીખીને Fyxer આ જટિલતા સંભાળે છે, જેથી તે મહત્ત્વની બાબતો પહેલેથી જાણતા સહાયકની જેમ જવાબ આપી શકે.

ઈમેઇલ સમજવા અને યોગ્ય સંદર્ભ શોધવાથી લઈને ડ્રાફ્ટ તૈયાર કરવા સુધીના અનુભવના મુખ્ય ભાગોમાં OpenAIના અત્યાધુનિક મોડલ મદદ કરે છે. Fyxerએ OpenAI પસંદ કર્યું કારણ કે તેનાં મોડલે Fyxerના આંતરિક માપદંડોમાં શ્રેષ્ઠ પ્રદર્શન કર્યું, લહેજા અને હેતુ જેવાં વ્યક્તિલક્ષી કાર્યો માટે મજબૂત ફાઇન-ટ્યુનિંગ ક્ષમતા આપી અને રૂબરૂ વિચાર-મંથન સત્રો તથા ટેકનિકલ સહયોગ દ્વારા પ્રત્યક્ષ ઇજનેરી સહાય પૂરી પાડી.

અત્યંત સંદર્ભસભર AI પ્રોડક્ટ બનાવતા સ્થાપકોને Fyxerના અભિગમમાંથી ત્રણ બોધપાઠ મળે છે:

Fyxerએ પોતાની સિસ્ટમ 30–50 વિશિષ્ટ મોડલની આસપાસ બનાવી છે, જેમાં દરેક ઈમેઇલ કાર્યપ્રવાહનો એક મર્યાદિત ભાગ સંભાળે છે. ઈમેઇલને માત્ર લખાણ બનાવવાના એક કાર્ય તરીકે જોવાને બદલે, Fyxer સમસ્યાને વિવિધ આગાહીઓની સિસ્ટમમાં વહેંચે છે. જેમ કે, કોઈ સંદેશનો જવાબ આપવો જરૂરી છે કે નહીં તે નક્કી કરવું અથવા વપરાશકર્તાના લહેજા અને સંદર્ભને અનુરૂપ જવાબ તૈયાર કરવો.

હોલિંગ્સવર્થ સમજાવે છે, “એક મોડલને સારો ઈમેઇલ લખવાનું કહેવા કરતાં સમસ્યાને અનેક નાનાં મોડલમાં વહેંચવાથી ઘણું સારું પરિણામ મળે છે.”

નવો ઈમેઇલ આવે ત્યારે જવાબ અંગે નિર્ણય લેતું મોડલ સંદેશનું વર્ગીકરણ કરે છે: શું તેનો જવાબ આપવો જરૂરી છે, સમય નક્કી કરવાની કાર્યવાહી કરવી છે કે પછી તે માત્ર વપરાશકર્તાએ જોવાની માહિતી છે?

જવાબ જરૂરી હોય તો વધારાનાં મોડલ ઈમેઇલના હેતુનું વિશ્લેષણ કરે છે અને આ પરસ્પર વ્યવહારના સંભવિત પરિણામની આગાહી કરે છે. આ મોડલ વલણો નક્કી કરે છે જેમ કે વાતચીત મીટિંગનો સમય નક્કી કરવા, વિનંતી ઉકેલવા કે લાંબા સમયથી ચાલતી સંબંધની કડી આગળ વધારવા તરફ જઈ રહી છે કે નહીં.

મેમરી સિસ્ટમના સૌથી મહત્ત્વના ભાગોમાંથી એક છે. Fyxerએ નક્કી કરવું પડે છે કે કઈ વિગતો વાતચીતો વચ્ચે જળવાઈ રહેવી જોઈએ અને કઈ એક જ આદાનપ્રદાન પછી દૂર થઈ જવી જોઈએ. નવો ઈમેઇલ આવે ત્યારે પુનઃપ્રાપ્તિ મોડલ તેની સંગ્રહિત આદાનપ્રદાન સાથે સરખામણી કરે છે અને તે વ્યક્તિ તથા વાતચીતની કડી માટે સૌથી સંબંધિત સ્મૃતિઓ રજૂ કરે છે.

OpenAIના મોડલ Fyxerની સમગ્ર સિસ્ટમના વિવિધ તબક્કાઓને શક્તિ આપે છે. શાંટસિલા કહે છે, “ઈમેઇલ ખરેખર શેના વિશે છે તે સમજવા માટે તેને સમજવાથી લઈને, અમે સામેલ કરવા માગતા સંદર્ભને મેળવવા અને ફરી ક્રમમાં ગોઠવવા તથા વાસ્તવિક ઈમેઇલ તૈયાર કરવા સુધીની દરેક બાબત માટે અમે OpenAIના મોડલનો ઉપયોગ કરીએ છીએ.”

પોતાની AI પ્રોડક્ટ રજૂ કરતા પહેલાં, Fyxerએ વર્ષો સુધી માનવ સંચાલિત કાર્યકારી સહાયક સેવા ચલાવી હતી. સમય જતાં, ટીમે 500,000થી વધુ કલાકના નોંધો ઉમેરેલા કાર્યકારી કાર્યપ્રવાહોમાંથી ડેટાસેટ તૈયાર કર્યો, જેમાં વાસ્તવિક સહાયકો વ્યાવસાયિક સંચાર કેવી રીતે સંભાળે છે તે સમાવાયું હતું.

એ ઉદાહરણોથી Fyxerને સીધા કામમાંથી મેળવેલો તાલીમ ડેટા મળ્યો. તેમાં સારા જવાબ પાછળના નાના નિર્ણયો નોંધાયા હતા: ક્યારે ઝડપથી જવાબ આપવો, ક્યારે રાહ જોવી, અગાઉની કઈ વાતચીત મહત્ત્વની છે અને એક જ વિનંતીનો જવાબ વ્યક્તિ પ્રમાણે કેવી રીતે બદલાઈ શકે.

Fyxer પોતાની વ્યાપક સિસ્ટમમાં સુપરવાઇઝ્ડ ફાઇન-ટ્યુનિંગ અને નિમ્ન-ક્રમ અનુકૂલન (LoRA)નો ઉપયોગ કરીને તાલીમ ખર્ચ નિયંત્રિત રાખતાં ચોક્કસ કાર્ય માટે મોડલનાં અલગ રૂપ બનાવે છે. પ્રોડક્ટના વિકાસના પ્રારંભિક તબક્કામાં, ટીમે ઊંચી ચોકસાઈ જરૂરી હોય તેવા કાર્યો માટે OpenAIના ફાઇન-ટ્યુનિંગ પ્લેટફોર્મનો ઉપયોગ કર્યો હતો. તાજેતરમાં, Fyxerએ નવો ચેકપોઇન્ટ કાર્યરત કરવા માટે OpenAIની સંચાલિત ફાઇન-ટ્યુનિંગ ટીમ સાથે કામ કર્યું.

કોઈપણ મોડલ કાર્યરત કરતા પહેલાં, Fyxer ડ્રાફ્ટ તૈયાર કરવા, વર્ગીકરણ અને પ્રાથમિકતા નક્કી કરવા સહિતનાં પોતાનાં ઈમેઇલ કાર્યોને આધારે બનાવેલા માન્યતા સમૂહો પર તેનું મૂલ્યાંકન કરે છે. શ્રેષ્ઠ વિકલ્પ કાર્ય પ્રમાણે બદલાઈ શકે છે, તેથી ટીમ ચોકસાઈની સાથે પ્રતિસાદનો સમય અને ખર્ચ પણ ધ્યાનમાં લે છે.

કાર્યરત થયા પછી, Fyxerની સિસ્ટમ વાસ્તવિક વપરાશકર્તાઓના પ્રતિસાદ દ્વારા સતત સુધરતી રહે છે. કોઈ વ્યક્તિ ડ્રાફ્ટ મોકલતાં પહેલાં તેમાં ફેરફાર કરે ત્યારે મૂળ અને અંતિમ ઈમેઇલ વચ્ચેનો તફાવત દર્શાવે છે કે તેને કયું પરિણામ પસંદ પડ્યું.

Fyxer પ્રત્યક્ષ પસંદગી શ્રેષ્ઠીકરણ (DPO)નો ઉપયોગ કરીને આવી સરખામણીઓને તાલીમ ડેટામાં ફેરવે છે. દરેક ઉદાહરણને જાતે લેબલ કરવાને બદલે, મોડલ પરિણામોની જોડીઓમાંથી શીખે છે: મૂળ ડ્રાફ્ટ અને વપરાશકર્તાએ સંપાદિત કરેલું સંસ્કરણ.

ત્યારબાદ ડ્રાફ્ટ તૈયાર કરવાની પ્રક્રિયામાં થયેલો દરેક ફેરફાર A/B પરીક્ષણમાંથી પસાર થાય છે. નવું સંસ્કરણ આંકડાકીય રીતે નોંધપાત્ર સુધારો આપે ત્યારે જ Fyxer તેને રજૂ કરે છે. વપરાશકર્તાઓની મોટી સંખ્યાને કારણે ટીમ ક્યારેક એક જ દિવસમાં એ મર્યાદા સુધી પહોંચી શકે છે.

આજે Fyxerના AI-જનરેટેડ ડ્રાફ્ટમાંથી 53% કોઈ ફેરફાર વિના સ્વીકારવામાં આવે છે. તેનો અર્થ એ છે કે વાસ્તવિક વાતચીતના મોટા હિસ્સા માટે સિસ્ટમ હેતુ અને લહેજાની સાચી આગાહી કરે છે. માત્ર 2025માં જ Fyxerની વાર્ષિક આવર્તક આવક $1 મિલિયનથી વધીને $32 મિલિયન થઈ.

હોલિંગ્સવર્થ માટે વપરાશકર્તાઓની જાળવણી વધુ મજબૂત સંકેત છે. Fyxerના ઘણા ગ્રાહકોને ટેકનિકલ બાબતોનું ઊંડું જ્ઞાન નથી અને કેટલાક માટે Fyxer એવી પ્રથમ AI સિસ્ટમ છે જેનો તેઓ દરરોજ ઉપયોગ કરે છે.

ભવિષ્યને ધ્યાનમાં રાખીને, Fyxer સંબંધો, પસંદગીઓ અને ચાલુ કામની કડીઓ વિશે વધુ ઊંડી સમજ વિકસાવી રહ્યું છે. તેનો સહાયક માત્ર જવાબોના ડ્રાફ્ટ તૈયાર કરવાથી આગળ વધીને એવા વ્યાપક AI સહાયક તરીકે વિકસતો જાય છે, જે વપરાશકર્તાના સંચાર અને સંકલનનો વધુ કાર્યભાર સંભાળી શકે.

હોલિંગ્સવર્થ કહે છે, “અમારો ઉદ્દેશ અમારા ગ્રાહકોને તેમનું સૌથી ગમતું કામ શક્ય તેટલું વધુ કરવા દેવાનો છે. અમે તેમને એવી સ્થિતિમાં પહોંચાડવા માગીએ છીએ જ્યાં તેમને ક્યારેય કમ્પ્યુટર ખોલવું ન પડે અને આ બધું સંભાળવા માટે તેઓ Fyxer પર વિશ્વાસ રાખી શકે.”