OpenAI ખાતે કરારોને શોધી શકાય એવા ડેટામાં ફેરવવું.

આ અમારી શ્રેણીનો ભાગ છે જેમાં અમે OpenAI પોતાની ટેકનોલોજી અને APIs નો કેવી રીતે ઉપયોગ કરે છે તેના આંતરિક ઉદાહરણો શેર કરીએ છીએ. આ સાધનોનો ઉપયોગ આંતરિક રીતે, ફક્ત OpenAI ખાતે થાય છે, અને અહીં તેને દૃષ્ટાંતરૂપે શેર કરવામાં આવ્યા છે કે અત્યાધુનિક AI અમારી ટીમોમાં વિવિધ ઉપયોગના કેસોને કેવી રીતે સમર્થન આપે છે. અમે આંતરિક સાધનોના નામ પણ શેર કરી રહ્યા છીએ જેથી અત્યાધુનિક AI અમારી ટીમોને કામ પૂર્ણ કરવામાં કેવી રીતે મદદ કરે છે તેનું વધુ સ્પષ્ટ દૃશ્ય મળે.

દરેક એન્ટરપ્રાઇઝ સોદા સાથે સહી કરાયેલ કરાર આવે છે. દરેકમાં શરૂઆતની તારીખો, બિલિંગ શરતો, નવનીકરણ કલમો હોય છે.

શરૂઆતમાં પ્રક્રિયા સંભાળી શકાય તેવી હતી: લાઇન દર લાઇન વાંચો, સ્પ્રેડશીટમાં ફરીથી લખો, અને આગળ વધો. પરંતુ જ્યારે સંખ્યા બમણી થઈ અને ફરી બમણી થઈ, ત્યારે આ મેન્યુઅલ પદ્ધતિ તૂટી પડી.

“છ મહિનાથી પણ ઓછા સમયમાં, ટીમ દર મહિને સૈંકડો કરારોની સમીક્ષા કરતાં કરતાં હજારથી વધુ સુધી પહોંચી ગઈ. છતાં અમે ફક્ત એક નવા વ્યક્તિને જ ભરતી કર્યો હતો. સ્પષ્ટ હતું કે આ પ્રક્રિયા સ્કેલ થવાની નહોતી,” એમ AI એન્જિનિયર Wei An Lee કહે છે.

સમસ્યામાં વધુ લોકો ઉમેરવા બદલે, અમારી ફાઇનાન્સ અને એન્જિનિયરિંગ ટીમોએ કરાર ડેટા એજન્ટ બનાવ્યો. ડિઝાઇન સિદ્ધાંત સરળ હતો: કરાર સમીક્ષામાંથી પુનરાવર્તિત કામ દૂર કરો, અને નિષ્ણાતોને મજબૂતીથી નિયંત્રણમાં રાખો.

એજન્ટ ત્રણ પગલામાં કામ કરે છે:

• ડેટા ઇનજેસ્ટ કરો: PDFs, સ્કેન કરેલી નકલો, અહીં સુધી કે હાથથી લખેલા ફેરફારો સાથે ચિહ્નિત ફોન ફોટાઓ પણ. જે પહેલાં ડઝનો અસંગત ફાઇલો હતી, તે હવે એક જ પાઇપલાઇનમાં વહે છે.
• પ્રોમ્પ્ટિંગ સાથે ઇન્ફરન્સ: retrieval-augmented prompting નો ઉપયોગ કરીને, સિસ્ટમ કરારોને સંરચિત ડેટામાં પાર્સ કરે છે. તે હજારો પાનાં કોન્ટેક્સ્ટમાં નાખતી નથી; તે ફક્ત સંબંધિત ભાગ ખેંચે છે, તેના સામે રિઝનિંગ કરે છે, અને પોતાનું કામ બતાવે છે.
• સમીક્ષા: ફાઇનાન્સ નિષ્ણાતો સંરચિત આઉટપુટની સમીક્ષા કરે છે, જેમાં કોઈપણ non-standard શરતો માટે annotations અને references સામેલ હોય છે. એજન્ટ શું અસામાન્ય છે તે હાઇલાઇટ કરે છે; ત્યારબાદ સમીક્ષા માટે માનવોને જોડવામાં આવે છે.

આઉટપુટ એવો ડેટાસેટ છે જે ફાઇનાન્સ વર્કફ્લોઝમાં તરત ઉપયોગી બને છે. જે કામમાં પહેલાં કલાકો લાગતા, તે હવે રાતોરાત મળે છે, annotations સાથે અને માન્યકરણ માટે તૈયાર. નિષ્ણાતો પ્રક્રિયામાં જોડાયેલા રહે છે, પરંતુ તેમની ભૂમિકા મેન્યુઅલ એન્ટ્રીમાંથી નિર્ણયક્ષમતા તરફ બદલાય છે.

આ ડિઝાઇન વિશ્વાસ સુનિશ્ચિત કરે છે: વ્યાવસાયિકોને મોટા પાયે સંરચિત, તર્કસંગત ડેટા મળે છે, પરંતુ પરિણામને તેમની નિષ્ણાતી જ દિશા આપે છે.

પરિણામો:

• ઝડપી ટર્નઅરાઉન્ડ. સમીક્ષાનો સમય અડધો થયો, અને રાતોરાત તૈયાર.
• વધુ ક્ષમતા. હેડકાઉન્ટમાં સમાન ગતિએ વધારો કર્યા વગર હજારો કરારો પ્રોસેસ થયા.
• વધુ સ્માર્ટ સંદર્ભ. non-standard શરતોને રિઝનિંગ અને references સાથે ફ્લેગ કરવામાં આવી.
• ક્વેરી કરી શકાય તેવા પરિણામો. ડેટા વેરહાઉસમાં ટેબ્યુલર આઉટપુટ ડેટા વિશ્લેષણને વધુ સરળ બનાવે છે.

માનવીય પ્રતિસાદનો દરેક ચક્ર એજન્ટને વધુ તેજ બનાવે છે, જેથી દરેક સમીક્ષા વધુ ઝડપી અને વધુ સચોટ બને છે.

“OpenAI જેમ સ્કેલ થાય છે તેમ અમે પણ સ્કેલ થઈ શકીએ તે માટેનો એકમાત્ર રસ્તો આ છે,” Wei An એ કહ્યું. “આ વગર, તમને કરારની સંખ્યાની સાથે સમાન ગતિએ તમારી ટીમ વધારવી પડત. આ અમને હાઇપરગ્રોથ સંભાળતાં ટીમને લીન રાખવા દે છે.”

આ આર્કિટેક્ચર હવે procurement, compliance, અને month-end close ને પણ સમર્થન આપે છે. એ જ સિદ્ધાંત લાગુ પડે છે: રૂટીન કામ ઓટોમેટ કરો, અને નિર્ણયમાં માનવોને જવાબદારીમાં રાખો.

એન્જિનિયરો તેને “મેન્યુઅલ કામ પહેલેથી જ પૂર્ણ” તરીકે વર્ણવે છે, નિર્ણયો બદલાયા એવા રૂપમાં નહીં. ફાઇનાન્સ ટીમો હજુ પણ આંકડાઓની વાર્તા લખે છે; એજન્ટ ખાતરી કરે છે કે તેઓ પોતાનો દિવસ કઠિન સૂક્ષ્મ કામમાં વેડફે નહીં.

કરારો માટેના ઉકેલ તરીકે જે શરૂ થયું હતું, તે હવે ફાઇનાન્સમાં કામ કરવાની નવી રીત બની ગયું છે. ડેટા પાર્સિંગ રાતોરાત ચાલે છે. વ્યાવસાયિકો વિશ્લેષણ અને વ્યૂહરચના પર ધ્યાન કેન્દ્રિત કરે છે. નેતાઓ ટીમોને સમાન ગતિએ વધાર્યા વગર વૃદ્ધિ સાથે આત્મવિશ્વાસપૂર્વક સ્કેલ કરે છે.

કરાર ડેટા એજન્ટ એ બ્લૂપ્રિન્ટ છે કે AI નિયમિત અને ઊંચા દાવવાળા કામમાં જવાબદારીપૂર્વક કેવી રીતે પરિવર્તન લાવી શકે. તે દર્શાવે છે કે જ્યારે નિષ્ણાતો બુદ્ધિશાળી સિસ્ટમો સાથે ભાગીદારી કરે છે ત્યારે શું શક્ય બને છે: વધુ leverage, વધુ વિશ્વાસ, અને સૌથી મહત્વની બાબતો પર વધુ સમય.